描述 #

文档格式转换处理器，支持多种办公文档格式互转

核心功能 #

• 支持 doc/docx 到多种格式的转换
• 使用 LibreOffice 进行高质量转换
• 支持本地和云端存储路径
• 提供转换超时控制
• 自动处理文件上传下载

格式支持 #

• 输入格式：Microsoft Word (.doc, .docx)
• 输出格式：PDF (.pdf), ODT (.odt), HTML (.html), 纯文本 (.txt), DOCX (.docx)
• 建议使用 docx 格式以获得最佳转换效果

算子参数 #

输入 #

输出 #

输出文件路径，仅支持 tos 路径

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 Daft（适用于分布式）执行 docx 转 pdf。

# Copyright (c) Beijing Volcano Engine Technology Ltd.

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.doc import DocConvert
from daft.las.functions.udf import las_udf

if __name__ == "__main__":

    # 更改完转换的文档会保存到指定的TOS路径下，因此，需要设置好环境变量以保证有权限写入TOS，包括：ACCESS_KEY,SECRET_KEY,TOS_ENDPOINT,TOS_REGION,TOS_TEST_DIR
    TOS_DIR = os.getenv("TOS_TEST_DIR", "tos_bucket")
    output_dir = f"tos://{TOS_DIR}/doc/doc_convert"

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {
        "docx": [
            f"https://{tos_dir_url}/public/shared_doc_dataset/sample.docx"
        ],
    }
    df = daft.from_pydict(samples)

    constructor_kwargs = {"target_format": "pdf", "output_dir": output_dir}

    # 使用 Daft 进行分布式处理
    df = df.with_column(
        "pdf",
        las_udf(DocConvert, construct_args=constructor_kwargs, concurrency=1)(col("docx")),
    )

    df.show()
    # ╭──────────────────────────────────────────────┬──────────────────────────────────────────────╮
    # │ docx                                         ┆ pdf                                          │
    # │ ---                                          ┆ ---                                          │
    # │ Utf8                                         ┆ Utf8                                         │
    # ╞══════════════════════════════════════════════╪══════════════════════════════════════════════╡
    # │  https://las-cn-beijing-publi-…     ┆ tos://tos_bucket/doc/doc_convert/sample.pdf  │
    # ╰──────────────────────────────────────────────┴──────────────────────────────────────────────╯