添加文件解析能力

.kiro/steering/项目结构说明.md

@@ -41,6 +41,9 @@ offerpie_python_ai/
     │   ├─ user_func_permission_stock.py  # 用户功能权限库存表（bg_user_func_permission_stock）
     │   └─ user_func_usage_log.py         # 用户功能使用记录表（bg_user_func_usage_log）
     │
+    ├─ tool/                      # **工具层**（无状态、无业务依赖的通用工具）
+    │   └─ file_parser.py             # 文件解析工具（PDF/Word/TXT → 纯文本，parse_to_text 入口方法）
+    │
     └─ services/                  # **业务逻辑层**
         └─ func_permission_service.py     # 功能权限服务（校验+扣减+回退，逻辑与Java端一致）
 ```
@@ -53,6 +56,7 @@ offerpie_python_ai/
 | **ai** | AI 模型管理，封装多供应商 LLM 实例创建，基于 LangChain ChatOpenAI | `LLM` 枚举（火山引擎：doubao/deepseek，心缘：gpt-4o/claude） |
 | **api** | REST API 路由定义 | `health.py`（健康检查） |
 | **models** | SQLAlchemy ORM 模型，与 Java 端共享同一数据库 | `FuncPermission`、`UserFuncPermissionStock`、`UserFuncUsageLog` |
+| **tool** | 无状态通用工具，不依赖数据库/Redis/用户上下文 | `file_parser.py`（PDF/Word/TXT 文件解析为纯文本） |
 | **services** | 业务逻辑实现 | `FuncPermissionService`（功能权限校验、扣减、回退） |
 
 ## 3️⃣ 技术栈
@@ -67,6 +71,7 @@ offerpie_python_ai/
 | **鉴权** | PyJWT | JWT 解析，与 Java 端共享同一 jwt_secret |
 | **数据处理** | Pandas + NumPy | 数据分析与处理 |
 | **HTTP** | httpx | 异步 HTTP 客户端 |
+| **文件解析** | pdfplumber + python-docx | PDF 和 Word 文件内容提取 |
 
 ## 4️⃣ 中间件执行链（由外到内）
 | 顺序 | 中间件 | 职责 |

app/tool/__init__.py

@@ -0,0 +1 @@
+

app/tool/file_parser.py

@@ -0,0 +1,68 @@
+"""文件解析工具
+
+将上传的简历文件（PDF / Word / TXT）转换为纯文本字符串。
+"""
+
+import io
+
+import pdfplumber
+from docx import Document
+
+from app.core.logger import log
+
+
+def parse_pdf(content: bytes) -> str:
+    """解析 PDF 文件，提取全部页面文本"""
+    text_parts: list[str] = []
+    with pdfplumber.open(io.BytesIO(content)) as pdf:
+        for page in pdf.pages:
+            page_text = page.extract_text()
+            if page_text:
+                text_parts.append(page_text)
+    return "\n".join(text_parts)
+
+
+def parse_docx(content: bytes) -> str:
+    """解析 Word (.docx) 文件，提取段落和表格文本"""
+    doc = Document(io.BytesIO(content))
+    text_parts: list[str] = []
+
+    # 段落
+    for para in doc.paragraphs:
+        text = para.text.strip()
+        if text:
+            text_parts.append(text)
+
+    # 表格
+    for table in doc.tables:
+        for row in table.rows:
+            row_text = "\t".join(cell.text.strip() for cell in row.cells)
+            if row_text.strip():
+                text_parts.append(row_text)
+
+    return "\n".join(text_parts)
+
+
+def parse_txt(content: bytes) -> str:
+    """解析 TXT 文件，自动检测编码"""
+    for encoding in ("utf-8", "gbk", "gb2312", "latin-1"):
+        try:
+            return content.decode(encoding)
+        except (UnicodeDecodeError, LookupError):
+            continue
+    return content.decode("utf-8", errors="replace")
+
+
+def parse_to_text(filename: str, content: bytes) -> str:
+    """根据文件名后缀自动选择解析方法，返回纯文本"""
+    suffix = filename[filename.rfind("."):].lower() if "." in filename else ""
+    log.info(f"解析文件: {filename}，类型: {suffix}")
+
+    if suffix == ".pdf":
+        return parse_pdf(content)
+    elif suffix in (".docx", ".doc"):
+        return parse_docx(content)
+    elif suffix == ".txt":
+        return parse_txt(content)
+    else:
+        raise ValueError(f"不支持的文件类型: {suffix}，支持: .pdf, .docx, .doc, .txt")

requirements.txt

@@ -39,6 +39,10 @@ numpy>=1.26.0
 python-multipart>=0.0.9
 python-dotenv>=1.0.0
 
+# 文件解析
+pdfplumber>=0.11.0
+python-docx>=1.1.0
+
 # 测试
 pytest>=8.0.0
 pytest-asyncio>=0.24.0