W DocParse：把不同文档整理成可处理的结构

文档解析看起来像“把文件变成文字”，真正使用时却会很快遇到结构问题：段落、图片、表格和翻译位置都需要被保留下来。一个只有纯文本的结果，未必能支持后续引用、展示或回填。

不只输出字符串

W DocParse 是 Rust 库。它将输入转换为结构化 DocumentIR，并提供 Markdown 渲染、块映射、图片提取以及翻译单元的提取和回填。结构化接口支持 PDF、Office 文档、EPUB、LaTeX、HTML、Markdown、纯文本和 JSON；不同格式支持的图片提取范围并不完全相同。

另一个 flat 可选特性提供字节到纯文本的接口。它与结构化解析是两个接口：当需求只是检索用的文本，调用者可以选择更简单的输出；需要位置和资源关系时，再使用结构化结果。不能把两者的输出语义当成完全一样。

为什么把工具依赖写清楚

公开文档说明，默认 PDF 路径使用 Poppler 工具；Python 文本回退、OCR 与 PDF 翻译桥接各有额外依赖。OCR 环境、模型和翻译供应商都由使用者自己准备，发行包不附带。解析不可信文件时，输入限制、子进程隔离和生成文件管理也由调用方负责。

这些说明反映了一个实际取舍：库可以统一接口，但无法把外部解析器、模型和安全环境的责任一起抹平。调用方需要知道哪些能力已经在库里，哪些仍要自行配置和验收。

公开记录能说明什么

公开仓库于 2026 年 11 月以独立文档解析库的形式发布，README 记录了当时的版本、格式范围和构建方式。它并不提供完整早期开发过程；这里描述的是公开实现所体现的设计，而不是替作者补写无法核实的心路历程。源码与更新见 仓库。