《WaLiOffice - AI Agent 智能办公平台》第4-2节：附件处理与状态管理

作者：小傅哥
博客：https://bugstack.cn (opens new window)

沉淀、分享、成长，让自己和他人都能有所收获！😄

一、前言

大家好，我是技术UP主小傅哥。

上一节我们搞定了配置管理，这节来解决一个非常实际的问题 —— 用户上传了文件，怎么提取内容？

场景是这样的：用户上传一个 Word 文档，想让 AI 帮他总结；上传一个 Excel，想让 AI 分析数据；上传一个 PPT，想让 AI 理解里面的内容。所有这些，都需要先把文件内容读出来，才能喂给 LLM。

而且这里有两个消费方，需求完全不同：

• LLM 要的是"文字" ——不管排版，把内容拼成纯文本塞进上下文
• 前端要的是"结构" ——段落、表格、幻灯片、工作表，才能渲染出漂亮的富预览

所以 WaLiOffice 的文件提取模块是一套解析、两种输出。这节我们就来搞定它。

一、本章诉求

1. 理解 Office 文件的本质：Word/Excel/PPT 本质上都是 ZIP + XML，搞清楚这个就不怕了
2. 掌握 ZIP/XML 解析：用 Rust 的 zip crate + 正则提取 Office 文件内容
3. 实现结构化提取：不只提取文字，而是提取"段落/表格/幻灯片/工作表"的结构，让前端能渲染富预览
4. 支持 PDF 提取：用系统命令 pdftotext 提取 PDF 文字，命令不存在时兜底
5. 截断保护：超大文档不能撑爆 LLM 上下文窗口

二、技术背景：Office 文件是什么

2.1 你以为的 Word vs 实际的 Word

很多人觉得 Word 文件就是"文字"，但它实际上是一个 ZIP 压缩包：

example.docx  (其实是个 zip 文件)
└── [Content_Types].xml     ← 文件清单
└── _rels/
└── word/
    ├── document.xml        ← 真正的文档内容（XML 格式）
    ├── styles.xml          ← 样式定义
    └── theme/
└── docProps/

Excel（.xlsx）和 PowerPoint（.pptx）也是同样的结构，只是 XML 路径不同：

格式	内容 XML	文本标签
.docx	word/document.xml	<w:t>
.xlsx	xl/worksheets/sheetN.xml + xl/sharedStrings.xml	<v> / <t>
.pptx	ppt/slides/slideN.xml	<a:t>

理解了这一点，处理思路就清晰了——解压 → 读 XML → 解析内容。三种格式是同一套打法的三个变体。