医疗文档预处理公共库

概述

本 skill 不独立运行，作为共享工具库被其他 skill 导入。

提供统一的文件读取与预处理能力：从各种原始格式文件中提取文本，返回标准化的中间产物（artifact），供下游 skill 进行各自的业务转换。

支持的输入格式

输出的中间产物格式（artifact）

{"kind": "text",   "text": str}                        # 单段纯文本
{"kind": "pages",  "pages": List[str]}                 # 多页文本（pdf 多页）
{"kind": "json",   "data": Any}                        # JSON 原始数据
{"kind": "tables", "tables": List[{"name": str, "rows": List[List[str]]}]}  # 行列数据

如何在其他 skill 中使用

在目标 skill 的 scripts/run.py 开头添加：

from pathlib import Path
import sys

SKILLS_ROOT = Path(__file__).resolve().parents[2]
_preprocess_dir = SKILLS_ROOT / "_shared" / "doc-preprocess" / "scripts"
if str(_preprocess_dir) not in sys.path:
    sys.path.insert(0, str(_preprocess_dir))

from preprocess import (
    PreprocessError,
    SUPPORTED_FILE_TYPES,
    detect_input_type,
    normalize_header,
    load_input_artifact,
)

load_input_artifact 签名：

def load_input_artifact(
    path: Path,
    input_type: str,
    encoding: str = "utf-8",
    sheet_name: str = "",
    *,
    pdf_as_single_text: bool = False,
) -> Dict[str, Any]: ...

• pdf_as_single_text=False（默认）：PDF 返回 {"kind": "pages", "pages": [...]} —— 适合需要逐页处理的 skill（慢病/大病审核）
• pdf_as_single_text=True：PDF 返回 {"kind": "text", "text": "..."} —— 适合把整份 PDF 当一段文本使用的 skill（复诊结构化/病历生成）

公开的工具函数

依赖

运行环境

• Python 3.7+

Python 第三方包（可选，按输入格式需要）

安装：pip install openpyxl pypdf

外部工具（可选）

安装（Ubuntu/Debian）：sudo apt-get install libreoffice poppler-utils tesseract-ocr tesseract-ocr-chi-sim

仅使用 JSON / txt 输入时，无需安装任何第三方包或外部工具。