Document Organizer

---
name: document-organizer
description: "文档整理技能 (document-organizer)"
---

# 文档整理技能 (document-organizer)

## 概述

专业的文档批量处理技能，支持旧版 Office 文档（.doc/.xls）高质量转换为 Markdown，保持格式结构完整。

---

## 核心能力

### ✅ 格式转换
- **Word 文档**: `.doc` → `.md`（LibreOffice 直接转换）
- **Word 文档**: `.docx` → `.md`（LibreOffice 直接转换）
- **Excel 表格**: `.xls` → `.xlsx` → `.md`（保留表格结构）
- **PowerPoint**: `.ppt` → `.pptx` → `.md`（可选支持）
- **现代格式**: `.xlsx`/`.pptx` → `.md`（MarkItDown 直接处理）

### ✅ 批量处理
- 支持按目录批量转换
- 自动保持原目录结构
- 分类处理不同类型文件
- 错误自动记录，不中断流程

### ✅ 质量保证
- 完美保留标题层级（H1-H6）
- 表格结构完整（Markdown 表格）
- 加粗/斜体样式保留
- 列表有序/无序完整
- 中文无乱码（UTF-8 编码）

---

## 快速开始

### 1. 环境准备

```bash
# 安装 LibreOffice（系统级）
# 下载: https://zh-cn.libreoffice.org/

# 安装 Python 依赖
pip install markitdown[docx,xlsx]
```

### 2. 使用方法

```bash
# 交互模式（推荐）
npx skills run document-organizer

# 命令行参数
npx skills run document-organizer --source "源目录" --output "输出目录" --type doc,xls
```

### 3. 配置

首次运行会检测 LibreOffice 路径，默认：
- Windows: `D:\Program Files\LibreOffice\program\soffice.exe`
- Linux: `/usr/bin/soffice`
- macOS: `/Applications/LibreOffice.app/Contents/MacOS/soffice`

---

## 详细功能

### 文档类型处理

| 源格式 | 转换流程 | 输出格式 | 质量 |
|--------|---------|---------|------|
| `.doc` | LibreOffice → Markdown | `.md` | ✅ 完美 |
| `.docx` | LibreOffice → Markdown | `.md` | ✅ 完美 |
| `.xls` | LibreOffice → .xlsx → MarkItDown → .md | `.md` | ✅ 完美 |
| `.xlsx` | MarkItDown → .md | `.md` | ✅ 完美 |
| `.ppt` | LibreOffice → .pptx → MarkItDown → .md | `.md` | ✅ 良好 |
| `.pptx` | MarkItDown → .md | `.md` | ✅ 良好 |
| `.pdf` | MarkItDown → .md | `.md` | ✅ 优秀（文本+表格）|

### 批量处理策略

**方案一：分类批量（推荐）**
```
批量转换所有 .doc 文件:
  soffice --convert-to md *.doc

批量转换所有 .docx 文件:
  soffice --convert-to md *.docx

批量转换所有 .xls 文件:
  soffice --convert-to xlsx *.xls  →  markitdown *.xlsx

批量转换所有 .ppt 文件:
  soffice --convert-to pptx *.ppt  →  markitdown *.pptx
```

**方案二：递归处理**
```
扫描目录树，按文件类型分组
分别批量转换每个子目录
保持完整目录结构输出
```

---

## 使用示例

### 示例 1: 转换单个目录

```bash
# 扫描源目录
npx skills run document-organizer --source "G:\历史文档" --output "d:\知识库"
```

输出结构：
```
知识库/
├── 项目A/
│   ├── 需求文档.md
│   └── 设计文档.md
└── 项目B/
    └── 会议记录.md
```

### 示例 2: 仅处理 Word 文档

```bash
npx skills run document-organizer --source "G:\docs" --output "d:\md" --filter .doc,.docx
```

### 示例 3: 处理 PDF 文档

```bash
npx skills run document-organizer --source "G:\pdfs" --type pdf --output "d:\pdf_md"
```

### 示例 4: 先扫描统计

```bash
npx skills run document-organizer --scan-only "G:\docs"
# 输出: 文件统计，不执行转换
```

---

## 配置选项

| 参数 | 类型 | 默认值 | 说明 |
|------|------|--------|------|
| `--source` | string | 必需 | 源目录路径 |
| `--output` | string | `./output` | 输出目录 |
| `--type` | string | `doc,xls,docx,xlsx,ppt,pptx,pdf` | 处理的文件类型（逗号分隔） |
| `--soffice-path` | string | 自动检测 | LibreOffice soffice.exe 路径 |
| `--log-file` | string | `conversion.log` | 日志文件路径 |
| `--dry-run` | bool | `false` | 仅模拟，不实际转换 |

---

## 性能参考

**测试环境**: i5 CPU, 16GB RAM, SSD

| 操作 | 数量 | 耗时 | 吞吐 |
|------|------|------|------|
| .doc → .md (LibreOffice) | 1,000 | ~30 秒 | 33 个/秒 |
| .xls → .xlsx (LibreOffice) | 2,000 | ~1.5 分钟 | 22 个/秒 |
| .xlsx → .md (MarkItDown) | 2,000 | ~2 分钟 | 17 个/秒 |
| .ppt → .pptx (LibreOffice) | 500 | ~30 秒 | 17 个/秒 |
| .pptx → .md (MarkItDown) | 500 | ~1 分钟 | 8 个/秒 |
| .pdf → .md (MarkItDown) | 500 | ~2 分钟 | 4 个/秒 |
| **总计** (3,000文件) | 3,000 | **~10-12 分钟** | - |

---

## 常见问题

### Q: LibreOffice 找不到？
A: 确保安装并添加到 PATH，或通过 `--soffice-path` 指定：

```bash
npx skills run document-organizer --soffice-path "C:\Program Files\LibreOffice\program\soffice.exe"
```

### Q: 转换失败怎么办？
A: 检查错误日志，常见原因：
- 源文件损坏
- 临时文件（`~$` 开头）自动跳过
- 权限不足（以管理员运行）

### Q: 可以预览而不转换吗？
A: 使用 `--dry-run` 参数：

```bash
npx skills run document-organizer --source "docs" --dry-run
# 输出: 将转换 X 个文件，Y 个目录，跳过 Z 个
```

### Q: 如何只转换特定子目录？
A: 结合 `--filter` 和路径模式：

```bash
npx skills run document-organizer --source "docs" --filter "00_模板/*.doc"
```

---

## 技术架构

```
┌─────────────────┐
│   用户命令       │
│  npx skills ... │
└────────┬────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│         文档整理技能 (Python)              │
│  • 扫描目录树                               │
│  • 按类型分组 (doc/xls/docx/xlsx)         │
│  • 调用 LibreOffice 批量转换                │
│  • 调用 MarkItDown 结构化转换               │
│  • 保持目录结构 + 重命名                    │
│  • 错误处理 + 日志记录                      │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────┐    ┌──────────────────┐
│  LibreOffice    │    │   MarkItDown     │
│  (格式转换)      │    │  (结构化输出)     │
└─────────────────┘    └──────────────────┘
         │                       │
         └───────────┬───────────┘
                     ▼
              ┌─────────────┐
              │   .md 文件   │
              │  (可搜索)    │
              └─────────────┘
```

---

## 依赖清单

| 工具 | 版本要求 | 用途 |
|------|---------|------|
| LibreOffice | 7.0+ | .doc → .docx / .xls → .xlsx |
| Python | 3.10+ | 脚本运行 |
| markitdown | 0.1.5+ | .docx/.xlsx → .md |
| pywin32 | (可选) | Windows COM 自动化（备用）|

---

## 脚本文件

本技能包含以下脚本：

| 文件 | 说明 |
|------|------|
| `scripts/batch_convert.py` | 主脚本 - 批量文档转换（支持 .doc/.xls/.docx/.xlsx/.ppt/.pptx/.pdf）|

---

## 使用建议

### ✅ 推荐场景
- 批量转换旧版 Office 文档（.doc/.xls）
- 构建可搜索的知识库
- 文档数字化归档
- 保留原始格式和结构

### ❌ 不推荐场景
- 仅需提取纯文本（用 `strings` 命令即可）
- 扫描图片型 PDF（需 OCR 专用工具）
- 在线实时转换（需启动办公软件）

---

## 版本历史

- **v1.0.4** (2026-03-12)
  - 修复：移除对不存在的外部 convert-markdown 目录和脚本的依赖
  - 修复：移除对特定路径虚拟环境的依赖
  - 优化：直接使用 markitdown 命令行工具进行转换
  - 优化：增加 markitdown 命令的自动检测逻辑

- **v1.0.3** (2026-03-12)
  - 修复：移除不存在的 `--temp-dir` 参数
  - 更新：完善所有支持的文件类型说明
  - 优化：文档与实际脚本保持一致

- **v1.0.2** (2026-03-11)
  - 优化：移除临时目录，直接生成 .md 文件
  - 新增：.docx 文件 LibreOffice 直接转换
  - 优化：convert_modern 支持参数调用
  - 优化：批量转换逻辑，提高速度
  - 优化：--dry-run 模式跳过 LibreOffice 检查

- **v1.0.0** (2026-03-11)
  - 初始版本
  - 支持 .doc/.xls 批量转换
  - 优化：LibreOffice 直接转 Markdown
  - 分类处理，保持目录结构

---

**最后更新**: 2026-03-12  
**适用平台**: Windows/Linux/macOS (需 LibreOffice)  
**许可证**: MIT