Jsme rádi, že můžeme oznámit vydání GroupDocs.Parser for Python v26.10, dostupné od listopadu 2026. Toto vydání aktualizuje podkladový engine na verzi 26.8 a přechází z .NET Core 3.1 na .NET 10.0.14, přičemž opravuje dvě zranitelnosti typu denial-of-service v System.Security.Cryptography.Pkcs. Přináší významné nové funkce, včetně extrakce anotací, parsování HTML tabulek, OCR pro arabštinu a korejštinu, Python loggeru, zpracování externích zdrojů, preview callbacků jako obyčejných funkcí a nástroje groupdocs-parser pro příkazovou řádku. Kolo (wheel) je nyní čistě Python balíček cílící na Python 3.5 – 3.14, s aktualizovanými platformovými tagy (manylinux_2_27_x86_64, macosx_13_0_*) a odstraněním 32‑bitového Windows kola.
Co je nového v tomto vydání
- [Feature] Přidána podpora pro extrakci anotací pomocí
get_annotations()aTextOptions.include_annotations(PARSERPYTHONNET-23) - [Feature] Přidán nástroj příkazové řádky
groupdocs-parser(PARSERPYTHONNET-24) - [Feature] Přidána podpora pro Python logger objekt implementující
ILogger(PARSERPYTHONNET-25) - [Feature] Přidána podpora pro zpracování načítání externích zdrojů z Pythonu (PARSERPYTHONNET-26)
- [Feature] Přidáno OCR pro arabský a korejský text (PARSERPYTHONNET-27)
- [Feature] Přidána podpora pro extrakci tabulek z HTML dokumentů (PARSERPYTHONNET-28)
- [Feature] Přidána podpora pro aplikaci licence z proměnné prostředí
GROUPDOCS_LIC_PATH(PARSERPYTHONNET-36) - [Enhancement] Aktualizováno GroupDocs.Parser na 26.8 a vložený runtime na .NET 10.0.14 (PARSERPYTHONNET-29)
- [Enhancement] Distribuován čistě Python balíček pro Python 3.5 – 3.14 místo kompilovaného rozšíření (PARSERPYTHONNET-30)
- [Enhancement] Předávání preview callbacků do
PreviewOptionsjako obyčejných Python funkcí (PARSERPYTHONNET-31) - [Enhancement] Odmítá přiřazení neznámých atributů API objektů (PARSERPYTHONNET-32)
- [Enhancement] Aktualizovány platformové tagy na glibc 2.27 a macOS 13 a odstraněno 32‑bitové Windows kolo (PARSERPYTHONNET-33)
- [Enhancement] Vyhazuje
GroupDocsParserExceptiona jeho podtřídy místoRuntimeError(PARSERPYTHONNET-34) - [Enhancement] Aktualizováno
System.Security.Cryptography.Pkcsna 10.0.14, čímž jsou opraveny dvě zranitelnosti typu denial-of-service (PARSERPYTHONNET-37) - [Fix] Některé Word a RTF dokumenty selhávají s chybou
The document appears to be corruptednebo chybějícím sestavenímSkiaSharp3.119 (PARSERPYTHONNET-35) - [Fix] Paměť roste s každým otevřeným dokumentem z
BytesIO(PARSERPYTHONNET-38)
Změny veřejného API
- Chyby enginu vyhazují
GroupDocsParserException,InvalidPasswordException,CorruptedDocumentExceptionneboUnsupportedDocumentFormatExceptionzgroupdocs.parser.exceptions, zatímco verze 25.12 vyhazovalaRuntimeErrorpro všechny. Třídy existovaly ve verzi 25.12, ale nezděděly zExceptiona nikdy nebyly vyvolány.except Exceptionzachytí chyby z obou vydání. - Přiřazení neznámého atributu vyvolá
AttributeError. - Seznamy, které engine vrací, podporují
len()a indexování a prázdný seznam je vyhodnocen jako false.
Odebráno
groupdocs.parser.options.ICreatePageStreamgroupdocs.parser.options.IReleasePageStreamgroupdocs.parser.options.IPreviewPageRender
Místo toho předávejte funkce do PreviewOptions a PreviewOptions.preview_page_render.
Nové třídy a členové
groupdocs.parser:Resources.groupdocs.parser.data:AnnotationItem.groupdocs.parser.options:CreatePageStream,ReleasePageStream,PreviewPageRender,Language,PreviewFormats.Parser:get_annotations(),get_structure(),dispose().Features:annotations.TextOptions:include_annotations.OcrOptions:language.ILogger:error().TocItem:extract_text().PageTableArea:get()andtable[row, column].DocumentData,Template:get().TemplateCollection:append().Resources:storage_path, writable.
Nové funkce
Extrahovat anotace
Parser.get_annotations() vrací komentáře a poznámky z PDF, Word nebo PowerPoint dokumentu jako objekty AnnotationItem s hodnotou, typem, indexem stránky, časovým razítkem, jménem autora a iniciály; get_annotations(page_index) načte jednu stránku. TextOptions.include_annotations přidá text anotace k extrahovanému textu a parser.features.annotations udává, zda formát podporuje anotace.
from groupdocs.parser import Parser
from groupdocs.parser.options import TextOptions
with Parser("reviewed.docx") as parser:
for note in parser.get_annotations() or []:
print(note.page_index + 1, note.annotation_type, note.author_name, note.value.strip())
options = TextOptions()
options.include_annotations = True
print(parser.get_text(options))
Příkazová řádka
Kolo nainstaluje konzolový skript groupdocs-parser (také python -m groupdocs.parser) s příkazy text, info, metadata, images, annotations a list-formats. text přijímá --page N (počítáno od 1), --format plain|markdown|html, --ocr, --include-annotations a -o FILE; info, metadata a annotations přijímají --json; images přijímá --out DIR; každý příkaz přijímá --password. --license a --version jsou uvedeny před příkazem. Návratový kód je 0 při úspěchu, 2 pro uživatelskou chybu, např. chybějící soubor, a 1 pro chybu enginu nebo formát, který operaci nepodporuje.
groupdocs-parser text report.pdf --page 2 -o page2.txt
groupdocs-parser text report.docx --format markdown
groupdocs-parser info report.pdf --json
groupdocs-parser annotations reviewed.docx --json
groupdocs-parser --license license.lic text protected.pdf --password secret
Python logger
Obyčejný Python objekt s metodami trace(message), warning(message) a error(message, exception) může být předán do ParserSettings jako logger a engine jej volá během extrakce, například při poškozeném souboru. Funkce log(level, message, exception) také funguje.
from groupdocs.parser import Parser
from groupdocs.parser.options import ParserSettings
class PrintLogger:
def trace(self, message):
print("TRACE:", message)
def warning(self, message):
print("WARNING:", message)
def error(self, message, exception):
print("ERROR:", message, exception)
with Parser("document.pdf", ParserSettings(PrintLogger())) as parser:
print(parser.get_document_info().page_count)
Řízení načítání externích zdrojů
Engine se před načtením každého obrázku, na který odkazuje HTML nebo MHTML dokument, ptá na handler externích zdrojů. Handler může být funkce, objekt s metodou on_loading(args) nebo podtřída ExternalResourceHandler; nastavením args.skipped = True zdroj přeskočíte. ParserSettings jej přijímá jako external_resource_handler.
from groupdocs.parser import Parser
from groupdocs.parser.options import ParserSettings
def skip_remote(args):
args.skipped = args.uri.startswith("http")
with Parser("page.html", ParserSettings(external_resource_handler=skip_remote)) as parser:
print(len(parser.get_images() or []))
OCR pro arabštinu a korejštinu
OcrOptions.language vybírá abecedu, kterou OCR rozpoznává, výchozí je angličtina. Language.ARA a Language.KOR jsou v tomto enginu nové. Rozpoznávací modely jsou součástí enginu: první OCR volání je rozbalí, asi 80 MB, do složky aspose_data v pracovním adresáři, bez stahování. Pro výběr složky nastavte Resources.storage_path (from groupdocs.parser import Resources) před prvním OCR voláním.
from groupdocs.parser import Parser
from groupdocs.parser.options import Language, OcrOptions, TextOptions
ocr_options = OcrOptions()
ocr_options.language = Language.KOR
with Parser("scan.jpg") as parser:
print(parser.get_text(TextOptions(False, True, ocr_options)))
Tabulky z HTML dokumentů
get_tables() nyní nachází tabulky v HTML dokumentech, stejně jako v PDF, Word a tabulkových dokumentech; verze 25.12 žádné nenašla. Buňka je table[row, column] nebo table.get(row, column).
from groupdocs.parser import Parser
with Parser("report.html") as parser:
for table in parser.get_tables() or []:
for row in range(table.row_count):
print([table[row, column].text.rstrip("\x07") for column in range(table.column_count)])
Licence z prostředí
Nastavte GROUPDOCS_LIC_PATH na cestu k souboru licence, nebo na URL, která licenci poskytuje, a licence se aplikuje při prvním volání Parser, bez licenčního kódu; verze 25.12 proměnnou nečítala. Pokud licence nemůže být aplikována (chybějící soubor, vypršené předplatné, licence pro jiný produkt), každé volání Parser vyhodí LicenseError, uvádějící proměnnou a důvod enginu, dokud License().set_license() nepoužije licenci. Nastavte GROUPDOCS_LIC_STRICT=0 pro získání jednoho LicenseWarning a režimu hodnocení místo toho.
from groupdocs.parser import LicenseError, Parser
try:
with Parser("report.pdf") as parser:
print(parser.get_text())
except LicenseError as e:
print(e) # GROUPDOCS_LIC_PATH=... could not be applied: <reason>
Preview callbacky jako obyčejné funkce
PreviewOptions(create_page_stream, release_page_stream) přijímá běžné funkce, stejně tak PreviewOptions.preview_page_render. create_page_stream(page_number) vrací zapisovatelný stream, například soubor otevřený s "wb" nebo io.BytesIO; stránky jsou číslovány od 1. Engine zavře předaný soubor a zavolá release_page_stream(page_number) po zapsání stránky. Ve verzi 25.12 to byly třídy ICreatePageStream, IReleasePageStream a IPreviewPageRender.
from groupdocs.parser import Parser
from groupdocs.parser.options import PreviewOptions
def create_page_stream(page_number):
return open("page-%d.png" % page_number, "wb")
def release_page_stream(page_number):
print("page", page_number, "written")
options = PreviewOptions(create_page_stream, release_page_stream)
options.preview_page_render = lambda info: print("rendering page", info.page_number)
with Parser("document.pdf") as parser:
parser.generate_preview(options)
Nesprávně napsané atributy vyvolají AttributeError
Přiřazení vlastnosti, kterou API objekt nemá, vyvolá AttributeError s nápovědou „Měli jste na mysli“. Verze 25.12 přiřazení akceptovala, uložila Python‑only atribut a nastavení enginu nezměnila.
from groupdocs.parser.options import TextOptions
options = TextOptions()
try:
options.include_annotation = True
except AttributeError as error:
print(error)
Jedno kolo pro Python 3.5 – 3.14
Verze 25.12 byla kompilované rozšíření, s jedním binárním modulem pro každou verzi Pythonu a runtime .NET Core 3.1. 26.10 je jedno py3-none-<platform> kolo pro každou platformu, čistý Python nad vloženým runtime .NET 10 a deklaruje python_requires=">=3.5,<3.15". Python 3.14 je novinka: 25.12 deklaroval <3.14. Většina kódu z 25.12 běží beze změny a všech 129 příkladů Docs, které běžely na 25.12, běží i na 26.10. get_text() a get_formatted_text() stále vrací str, který nyní také podporuje read_to_end().
Aktualizované platformové tagy a 64‑bitové Windows kolo
Linuxové kolo má tag manylinux_2_27_x86_64, nejstarší glibc, na kterém běží vložený runtime .NET 10, a macOS kola macosx_13_0_x86_64 a macosx_13_0_arm64. 32‑bitové Windows kolo již neexistuje. Instalace vyžaduje pip 20.3 nebo novější.
Příklad kódu
Extrahujte anotace z Word dokumentu a zahrňte je do extrahovaného textu:
from groupdocs.parser import Parser
from groupdocs.parser.options import TextOptions
with Parser("reviewed.docx") as parser:
for note in parser.get_annotations() or []:
print(note.page_index + 1, note.annotation_type, note.author_name, note.value.strip())
options = TextOptions()
options.include_annotations = True
print(parser.get_text(options))
Jak získat aktualizaci
PyPI
Nainstalujte nebo aktualizujte pomocí PyPI:
groupdocs-parser-net 26.10.0 na PyPI
pip install groupdocs-parser-net==26.10.0
Přímé stažení
Stáhněte platformně specifická kola z GroupDocs.Parser for Python via .NET 26.10 stránky vydání: