light-file-reading

# 多格式文件深度理解 ## 触发 任何涉及已有文件的任务自动启用，无需显式调用。 ## 即用脚本（scripts/，均带自检，可直接 python 运行） - **`scripts/pdf_ops.py`**：`read_meta` / `extract_text(layout)` / `extract_tables`→DataFrame（pdfplumber），`merge` / `split` / `rotate`（pypdf）。`python pdf_ops.py` 跑合成自检。 - **`scripts/docx_read.py`**：`read_paragraphs` / `read_headings`（章节骨架）/ `read_runs`（样式提取）/ `read_tables` / `read_layout`（页边距纸张）。python-docx，**不读修订**。 - **`scripts/xlsx_read.py`**：`list_sheets` / `read_formulas`（不求值）/ `read_values`（缓存）/ `profile`（pandas 数据画像）。openpyxl **无求值引擎**，算值需 LibreOffice 重算。 逐格式完整 copy-paste 代码块见 `references/`（PDF-REF / DOCX-REF / XLSX-REF / PPTX-REF，渐进式按需读）。 ## 按格式选工具（见 a09，细节见 references.md） - **PDF**：机器生成 PDF 用 `pdfplumber` 抽文本(`extract_text(layout=True)`)与表格(`extract_tables`→DataFrame，策略 lines/text，调 snap_tolerance)；结构操作(合并/拆分/旋转/加密/书签)用 `pypdf`；扫描件 OCR 走 `pytesseract+pdf2image`；快速归一为 md 用 `markitdown file.pdf -o out.md`。论文 PDF 关注章节/图表/表格定位，可用 `page.crop(bbox)` 锁区域。pdfplumber/pypdf 均无 OCR、不读纯图。 - **Word(.docx)**：读用 `pandoc in.docx -o out.md`（带 `--track-changes=all` 把增删/批注包成 insertion/deletion/comment span 保留作者+时间、`--extract-media=./media` 导图、引文 `--citeproc --bibliography refs.bib --csl apa.csl`）或 `python-docx` 遍历 paragraphs→runs 读样式/题注；提取模板格式要求(页边距/字号/编号/引用风格)。需精确改原文/redline 时走「解包→直接改 XML→重打包」：插入 `<w:ins w:author=.. w:date=..>`、删除 `<w:del>` 内用 `<w:delText>`，最小化只标真正变动的词。注意 python-docx 不读修订、无渲染；pandoc AST 不保页边距等精确格式。 - **PPTX**：读用 `python -m markitdown deck.pptx` 抽文本，再渲染成图(`soffice --headless --convert-to p...