save a version

server/file_association.py

@@ -62,11 +62,19 @@ def extract_all_zips(
 
 
 def read_word_content(doc_path: Path) -> List[str]:
-    """读取 Word 文档内容，提取文本行"""
+    """读取 Word 文档内容 (.docx 或 .doc)，提取文本行"""
+    if doc_path.suffix.lower() == '.docx':
+        return read_docx_content(doc_path)
+    elif doc_path.suffix.lower() == '.doc':
+        return read_doc_content(doc_path)
+    return []
+
+
+def read_docx_content(doc_path: Path) -> List[str]:
+    """读取 .docx 格式 Word 文档内容"""
     lines = []
     try:
-        import zipfile as zf
-        with zf.ZipFile(doc_path, 'r') as z:
+        with zipfile.ZipFile(doc_path, 'r') as z:
             content = z.read('word/document.xml').decode('utf-8')
             texts = re.findall(r'<w:t[^>]*>(.*?)</w:t>', content, re.DOTALL)
             for text in texts:
@@ -76,33 +84,87 @@ def read_word_content(doc_path: Path) -> List[str]:
                     lines.append(text)
             return lines
     except Exception as e:
-        print(f"读取 Word 失败：{e}")
+        print(f"读取 .docx 失败 ({doc_path.name}): {e}")
         return []
 
 
-def find_word_doc(base_dir: Path) -> Optional[Path]:
-    """自动查找 base_dir 下的 Word 文档 (.doc 或 .docx)"""
-    for f in base_dir.iterdir():
-        if f.is_file() and f.suffix.lower() in ['.doc', '.docx']:
-            return f
+def read_doc_content(doc_path: Path) -> List[str]:
+    """读取 .doc 格式 Word 文档内容"""
+    lines = []
+    
+    # 方法 1: 尝试使用 antiword
+    try:
+        import subprocess
+        result = subprocess.run(
+            ['antiword', str(doc_path)],
+            capture_output=True,
+            text=True,
+            timeout=30
+        )
+        if result.returncode == 0:
+            lines = [line.strip() for line in result.stdout.split('\n') if line.strip()]
+            return lines
+    except FileNotFoundError:
+        pass
+    except Exception as e:
+        print(f"antiword 读取失败：{e}")
+    
+    # 方法 2: 尝试使用 textract
+    try:
+        import subprocess
+        result = subprocess.run(
+            ['textract', str(doc_path), '--output', '/dev/stdout'],
+            capture_output=True,
+            text=True,
+            timeout=60
+        )
+        if result.returncode == 0:
+            lines = [line.strip() for line in result.stdout.split('\n') if line.strip()]
+            return lines
+    except FileNotFoundError:
+        pass
+    except Exception as e:
+        print(f"textract 读取失败：{e}")
+    
+    # 方法 3: 尝试使用 libreoffice
+    try:
+        import subprocess
+        import tempfile
+        with tempfile.TemporaryDirectory() as tmpdir:
+            result = subprocess.run(
+                ['libreoffice', '--headless', '--convert-to', 'txt', '--outdir', tmpdir, str(doc_path)],
+                capture_output=True,
+                text=True,
+                timeout=30
+            )
+            if result.returncode == 0:
+                txt_file = Path(tmpdir) / (doc_path.stem + '.txt')
+                if txt_file.exists():
+                    with open(txt_file, 'r', encoding='utf-8', errors='ignore') as f:
+                        lines = [line.strip() for line in f.readlines() if line.strip()]
+                    return lines
+    except FileNotFoundError:
+        pass
+    except Exception as e:
+        print(f"libreoffice 读取失败：{e}")
+    
+    print(f"⚠️  无法读取 .doc 文件 ({doc_path.name})，请安装以下工具之一：")
+    print(f"   - antiword: brew install antiword")
+    print(f"   - textract: pip install textract")
+    print(f"   - LibreOffice: brew install --cask libreoffice")
+    return []
+
+
+def find_word_doc_recursive(base_dir: Path) -> Optional[Path]:
+    """递归查找 base_dir 下任意层级的 Word 文档 (.docx 优先)"""
+    # 先找 .docx 文件
+    for item in base_dir.rglob("*.docx"):
+        return item
+    # 再找 .doc 文件
+    for item in base_dir.rglob("*.doc"):
+        return item
     return None
 
-
-def find_word_content(base_dir: Path) -> Optional[List[str]]:
-    """自动查找 base_dir 下的 Word 文档并读取内容"""
-    word_doc = find_word_doc(base_dir)
-    if word_doc:
-        return read_word_content(word_doc)
-    return None
-
-
-def get_word_content(base_dir: Optional[Path] = None) -> List[str]:
-    """自动查找 Word 文档并读取内容，找到即返回"""
-    if base_dir is None:
-        base_dir = Path("data")
-    return find_word_content(base_dir) or []
-
-
 def create_config_file(word_content: List[str], config_file: Optional[Path] = None) -> Path:
     """将 Word 内容保存为配置文件"""
     if config_file is None:
@@ -277,15 +339,10 @@ def main() -> None:
     parser = argparse.ArgumentParser(description='文件关联处理程序')
     parser.add_argument('--unpack', action='store_true', help='解压文件')
     parser.add_argument('--associate', action='store_true', help='建立文件关联')
-    parser.add_argument('--base-dir', type=str, help='基础目录')
+    parser.add_argument('--base-dir', type=str, help='基础目录（包含 Word 文档的目录）')
     
     args = parser.parse_args()
     
-    if args.base_dir:
-        base_dir = Path(args.base_dir)
-    else:
-        base_dir = Path("data")
-    
     # 解压文件
     if args.unpack:
         extract_all_zips("data")
@@ -293,11 +350,24 @@ def main() -> None:
     
     # 建立文件关联
     if args.associate:
-        word_content = get_word_content(base_dir)
-        if not word_content:
-            print("⚠️  未找到 Word 文档，请先解压文件")
+        base_dir = Path(args.base_dir) if args.base_dir else Path("data")
+        # 递归查找 Word 文档
+        word_doc = find_word_doc_recursive(base_dir)
+        if not word_doc:
+            print("⚠️  未找到 Word 文档 (.doc 或 .docx)，请先解压文件")
             return
         
+        # 读取 Word 内容
+        word_content = read_word_content(word_doc)
+        if not word_content:
+            print("⚠️  无法读取 Word 文档内容")
+            return
+        
+        # 确定关联目录（Word 文档的父目录，包含学科网和 21 世纪教育网）
+        base_dir = word_doc.parent
+        print(f"✓ 找到 Word 文档：{word_doc}")
+        print(f"  关联目录：{base_dir}")
+        
         twole_folder = base_dir / "21世纪教育网"
         zxxk_folder = base_dir / "学科网"