| name | document-conversion |
| description | DOC/DOCX/RTF/HTML（Word/Office）文档转 HTML、纯文本、PDF、PNG 预览，并抽取正文供下游分析；PDF/表格/JSON 不属本 Skill（→ pdf-processing / spreadsheet-analysis / data-processing）。 |
文档转换与文本抽取
When to use
- 用户上传或引用了
.doc / .docx / .rtf / .html 文件，需要读取正文、转 PDF、转图片、转可打印页面。
- 需要把某份 Word/网页内容喂给下游 Skill（PDF 合并、表格分析、前端预览、知识图谱）之前先抽取文本。
- 需要把一段本地 HTML 渲染成 PDF 或 PNG 截图做验收。
不是本 Skill 的职责：.pdf 的解析/合并/拆分/渲染（→ pdf-processing）；表格 .csv/.xls/.xlsx/.ods 的探查与清洗（→ spreadsheet-analysis）；JSON/文本批量流水线与报告（→ data-processing）。本 Skill 只管 DOC/DOCX/RTF/HTML 类文档的转换与正文抽取。输入是 .pdf 时不要在这里用 HTML 链路硬转，交给 pdf-processing。
决策顺序
- 先确认输入格式和期望输出：纯文本 →
extract_text.py；HTML 渲染 → html_to_pdf.py / html_to_png.py；DOCX→PDF → docx_to_pdf.py；DOCX→HTML → docx_to_html.py。
- 输入必须是工作区内相对路径（
inputs/... 或 ...），禁止绝对路径与 ..。输出到 outputs/...。
- 先
extract_text.py 拿到正文，再做下游分析；只有需要视觉/打印版本时才转 PDF/PNG。
- 组合优先，不重复实现：
docx_to_html → html_to_pdf → html_to_png 构成一条完整链路。
脚本索引
| 脚本 | 用途 |
|---|
extract_text.py | DOC/DOCX/RTF/HTML → UTF-8 纯文本 |
docx_to_html.py | DOCX → 独立 HTML（含中文字体样式） |
docx_to_pdf.py | DOCX → PDF（mammoth → Chromium 打印） |
html_to_pdf.py | 本地 HTML → PDF |
html_to_png.py | 本地 HTML → PNG 截图 |
组合路线
DOCX ──extract_text──> 正文 ──> 下游分析/图谱
DOCX ──docx_to_html──> HTML ──html_to_pdf──> PDF
HTML ──html_to_pdf──> PDF ──(pdf-processing)──> 合并/拆分
HTML ──html_to_png──> PNG ──> 视觉验收
安全与限制
- 所有脚本离线运行；不联网、不执行包安装、不读取 secret。
- 输入输出都限制在沙箱工作区内；覆盖输出需显式
--overwrite。
- 单文件输出遵守镜像限额（单文件 ≤64MB、输出 ≤256MB、wall-time ≤180s）。
- 只支持镜像内已有的解析器：antiword(.doc)、mammoth(.docx)、striprtf(.rtf)、BeautifulSoup/lxml(.html)。
- 若需要把正文继续处理，先保存文本文件，再交给其他 Skill 的脚本；不要用 stdout 传大文本。
详细说明
组合配方见 references/best-combinations.md，输入/输出契约见 references/input-output-contract.md，常见失败见 references/troubleshooting.md。每个脚本的完整用法与参数见对应 scripts/*.md。
