dsh-document-reader

dsh-document-reader

一个 DeepSeek Harness (DSH) 网页端插件：在聊天输入框里直接读取 PDF / Word (.docx) / PPT (.pptx) / 纯文本与代码 文件，把提取出的文字填入输入框草稿。

A DeepSeek Harness (DSH) web plugin that reads PDF / Word (.docx) / PPT (.pptx) / plain-text & code files straight into the composer, by file picker or by dragging a file anywhere on the page.

功能 / Features

• 上传读取：输入框工具栏出现「文档」按钮，点击可选择文件（支持多选）。

• 整页拖拽：把文档拖到页面任意位置，出现「释放以读取文档」遮罩，松手即读取。

• 格式支持：.pdf（服务端 pdfjs-dist 精确解析）、.docx、.pptx、以及 txt / md / csv / json / yaml / 代码 等纯文本。

• 输出上限：单文件 20 万字符，超出自动截断。

• Upload: a "文档" button appears in the composer tool row; click to pick files (multi-select supported).

• Drag & drop: drag a document anywhere on the page and release to read it.

• Formats: .pdf (parsed server-side with pdfjs-dist), .docx, .pptx, and plain text like txt / md / csv / json / yaml / code.

• Output cap: 200k chars per file, truncated with a note.

架构 / Architecture

• 客户端 (lib/client.js)：注册到 conversation.input.left 插槽，负责 UI、拖拽、以及 .docx/.pptx（ZIP + XML）和纯文本的前端解析。

• 服务端 (lib/index.js)：注册 POST /read-document/parse 路由，用 Mozilla pdfjs-dist 解析 PDF（正确支持对象流、xref stream、CID 字体、ToUnicode CMap）。

• Client (lib/client.js): registers into the conversation.input.left slot; owns the UI, drag-and-drop, and client-side parsing of .docx/.pptx (ZIP + XML) and plain text.

• Server (lib/index.js): registers POST /read-document/parse, which parses PDFs with Mozilla pdfjs-dist (correctly handles object streams, xref streams, CID fonts, ToUnicode CMaps).

安装 / Install

需要先安装 dsh 并可用 pnpm。

# 1. 安装到 web 配置（会自动注册到 dsh.profile.bundles）
dsh plugin --profile web add github:Yun-tech123/dsh-document-reader

# 2. 重启 web 服务
dsh web

安装后刷新页面，输入框工具栏即出现「文档」按钮。

dsh plugin 需要本机可用 pnpm；若未安装，可先 corepack enable 或 npm i -g pnpm。

手动安装 / Manual install

1. 把本仓库克隆到本地，dsh plugin --profile web add <本地路径>。
2. 确认 package.json 的 dsh.profile.bundles 里已包含 dsh-document-reader（dsh plugin 会自动加入）。
3. 重启 dsh web，刷新页面。

限制 / Limitations

• PDF 为文本提取：纯扫描件（图片型 PDF） 无文本层，无法提取。

• 老式二进制 .doc / .xls / .ppt 暂不支持，请先另存为 .docx / .pptx。

• 需要较新浏览器（.docx/.pptx 用 DecompressionStream，Chrome/Edge/Firefox 2022+ 均可）。

• PDF is text extraction: pure scans (image-only PDFs) have no text layer and cannot be extracted.

• Legacy binary .doc / .xls / .ppt are not supported; save them as .docx / .pptx first.

• Requires a modern browser (uses DecompressionStream for .docx/.pptx; Chrome/Edge/Firefox 2022+).

License

MIT