Skip to content
Office Oxide

与格式无关的 IR

DocumentIR 是 Office Oxide 在不同格式之间的结构桥梁。无论你打开 .docx、.xlsx 还是旧版的 .ppt，都会得到同样的形态：一组 section，每个 section 内包含一系列带类型的元素（标题、段落、表格、列表、图片）。

IR 支撑了 to_html、save_as 和旧版 → OOXML 转换。它也是下游管道（搜索索引、RAG 切块器、自定义渲染器）最合适的接口 — 因为你只需处理 一个 schema，而不是 6 个按格式各异的 schema。

读取 IR

Rust

use office_oxide::Document;

let doc = Document::open("report.docx")?;
let ir = doc.to_ir();

for section in &ir.sections {
    println!("{:?}", section.title);
    for el in &section.elements {
        // el 是 Element 枚举 — Heading、Paragraph、Table、List、Image 等
    }
}

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()

for section in ir["sections"]:
    print(section.get("title"))
    for el in section["elements"]:
        kind = el["kind"]   # "Heading" | "Paragraph" | "Table" | "List" | "Image"

JavaScript

using doc = Document.open('report.docx');
const ir = doc.toIr();

for (const section of ir.sections) {
  for (const el of section.elements) {
    // el.kind: "Heading" | "Paragraph" | "Table" | "List" | "Image"
  }
}

Go

import "encoding/json"

irJSON, _ := doc.ToIRJSON()

var ir struct {
    Sections []struct {
        Title    *string           `json:"title"`
        Elements []json.RawMessage `json:"elements"`
    } `json:"sections"`
}
_ = json.Unmarshal([]byte(irJSON), &ir)

C#

using System.Text.Json;

using var doc = Document.Open("report.docx");
using var ir = JsonDocument.Parse(doc.ToIrJson());

foreach (var section in ir.RootElement.GetProperty("sections").EnumerateArray())
{
    // ...
}

Schema

形态有意保持紧凑、稳定。

{
  "sections": [
    {
      "title": "可选的 section 标题",     // string | null
      "elements": [
        { "kind": "Heading", "level": 1, "text": "..." },
        { "kind": "Paragraph", "runs": [
            { "text": "Hello ", "bold": false, "italic": false },
            { "text": "world", "bold": true,  "italic": false }
        ] },
        { "kind": "List", "ordered": true, "items": ["one", "two"] },
        { "kind": "Table", "rows": [
            ["A1", "B1"],
            ["A2", "B2"]
        ] },
        { "kind": "Image", "filename": "image1.png", "data": "<base64>" }
      ]
    }
  ]
}

各格式的映射:

格式 section 边界 备注
DOCX 每个 <w:sectPr> 一个 section（没有的话整篇 body 一个） 标题按 w:pStyle 分类
XLSX 每个工作表一个 section title = 工作表名；每个使用范围一个 Table 元素
PPTX 每张幻灯片一个 section title = 标题占位符；备注作为最后一个段落附上
DOC / XLS / PPT 与对应 OOXML 形态相同 走旧版 CFB 解析管线

为什么用 IR

  • 构建一次，多种渲染。把 DOCX、XLSX、PPTX 转成同一形态，跑同一个搜索/分块管线。
  • 跨格式变化的 LLM 上下文。源文件从 .doc 改成 .docx 时 schema 不会漂移。
  • save_as 实现往返。改 IR，然后写出任何受支持格式的新文档。
use office_oxide::create::create_from_ir;
use office_oxide::DocumentFormat;

create_from_ir(&ir, DocumentFormat::Docx, "out.docx")?;

序列化

Rust 的 DocumentIR 派生了 Serialize / Deserialize（通过 serde）。Python 的 to_ir() 返回纯 dict（已经可以 JSON 化）。Node、Go、C#、C 绑定通过 to_ir_json() / ToIRJSON() / ToIrJson() 暴露 JSON 字符串。

相关链接