核心用法
document-reader是一款通用文档解析技能，通过命令行工具document_reader.py实现多格式文档的文本提取。支持两种核心模式：直接读取本地文档与压缩包穿透读取。使用时指定--file参数定位目标文件，配合--format json可切换输出格式。针对压缩包场景，先用--list枚举内部文件结构，再通过--inner-path精准提取嵌套文档，实现"不解压、直接读"的高效工作流。
显著优点
1. 格式覆盖全面：原生支持PDF、DOCX、XLSX、PPTX等主流办公格式，以及ZIP/TAR/RAR/7Z四大压缩协议，形成完整的文档处理闭环。
2. 压缩包穿透能力：突破传统工具"先解压后读取"的繁琐流程，支持层级路径直接定位内部文件，大幅提升批量处理效率。
3. 开发者友好：提供JSON结构化输出选项，便于下游程序对接；模糊文件名匹配降低使用门槛。
4. 部署轻量化：基于成熟Python生态（textract、openpyxl等），依赖清晰，无商业授权顾虑。
潜在缺点与局限性
- 系统依赖较重：PDF解析依赖poppler-utils等二进制组件，跨平台部署时需额外配置环境。
- 排版信息丢失：提取过程将富文本转为纯文本，表格、样式、图片等元素仅保留文字内容，不适合版式敏感场景。
- 加密文件受限：未提及对密码保护文档或压缩包的支持，实际使用中可能遭遇阻塞。
- 性能边界：大体积Excel/压缩包的全量读取可能带来内存压力，缺乏流式处理说明。
适合人群
数据分析师、AI应用开发者、自动化运维人员，以及需要批量提取文档内容进行NLP处理或知识库建设的团队。
常规风险
1. 供应链风险：依赖多个第三方PyPI包，需关注textract、rarfile等库的维护状态与CVE漏洞。
2. 路径遍历隐患：--inner-path参数若未严格校验，压缩包内的恶意路径（如../../../etc/passwd）可能导致安全问题。
3. 敏感信息泄露：批量读取场景下易意外暴露文档中的个人隐私或商业机密，建议配合脱敏流程使用。