multimodal-parser

1. # 📄 多模态内容解析器
2. ## 核心亮点
3. 🔄 统一接口：一套API支持图片/PDF/Word/音频4大类格式解析，不需要对接多个服务
4. 🚀 开箱即用：内置OCR、音频转文字、文档解析能力，零配置即可使用
5. 📝 多格式输出：支持纯文本/Markdown/结构化JSON三种输出格式，适配不同LLM处理需求
6. 💡 友好错误提示：依赖缺失时自动给出安装命令，新手也能快速上手

🎯 适用场景 - 多模态Agent的内容解析层 - 文档问答、知识库构建场景的文件预处理 - 图片OCR识别、语音转文字需求 - 批量文档解析与结构化处理

📝 参数说明 | 参数 | 类型 | 必填 | 默认值 | 说明 | |------|------|------|--------|------| | file_path | string | 是 | - | 要解析的文件路径 | | file_type | string | 否 | auto | 文件类型：image/pdf/docx/audio/auto | | output_format | string | 否 | text | 输出格式：text/markdown/structured | | options.ocr_lang | string | 否 | chi_sim+eng | OCR识别语言 | | options.audio_model | string | 否 | base | Whisper模型大小（base/small/medium/large） | | options.pdf_page_range | tuple | 否 | undefined | PDF解析页码范围，如[1, 10]表示解析第1-10页 |

💡 开箱即用示例 ### 图片OCR识别 ```typescript const result = await skills.multimodalParser({ file_path: "./resume.jpg", file_type: "image", output_format: "markdown" }); ```

PDF解析（指定页码范围） ```typescript const result = await skills.multimodalParser({ file_path: "./document.pdf", output_format: "structured", options: { pdf_page_range: [1, 50] // 只解析前50页 } }); ```

音频转文字 ```typescript const result = await skills.multimodalParser({ file_path: "./meeting.mp3", options: { audio_model: "small" // 用small模型，速度更快 } }); ```

🔧 依赖安装 根据需要解析的文件类型安装对应依赖： ```bash # 全量安装所有依赖（推荐） ## macOS brew install tesseract tesseract-lang poppler pandoc pip install openai-whisper ffmpeg

Ubuntu/Debian apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils pandoc ffmpeg pip install openai-whisper ```

技术实现说明 - 基于成熟的开源工具链（Tesseract/Poppler/Whisper/Pandoc） - 自动文件类型检测，无需手动指定格式 - 模块化设计，可轻松扩展支持更多格式 - 输出格式标准化，直接可被LLM处理