Feat(parser): добавил конвертер старых форматов

app/main.py

@@ -8,4 +8,7 @@
 # print(docs_parser.get_text("parser/assets/main.typ"))
 # print(docs_parser.get_text("parser/assets/main.pdf"))
 # print(docs_parser.get_text("parser/assets/too_many_png.docx"))
-print(docs_parser.get_text("parser/assets/Presentation.pptx"))
+# print(docs_parser.get_text("parser/assets/Presentation.pptx"))
+docs_parser.convert_to_new_format("parser/assets/old_docs.doc", "parser/assets/tests_results")
+docs_parser.convert_to_new_format("parser/assets/old_pres.ppt", "parser/assets/tests_results")
+docs_parser.convert_to_new_format("parser/assets/old_exel.xls", "parser/assets/tests_results")

parser/docs_parser.pyi

@@ -1,2 +1,2 @@
-# Get text from file
 def get_text(from_path: str) -> str: ...
+def convert_to_new_format(old_file_path: str, new_path: str): ...

parser/src/constants.rs

@@ -12,7 +12,10 @@ pub const APPLICATION_DOCX: &str =
 /// MIME тип для DOCX документов
 pub const APPLICATION_DOCX_ZIP: &str = "application/zip";
 
-/// MIME тип для DOC/RTF документов
+/// MIME тип для DOC документов
+pub const APPLICATION_DOC: &str = "application/msword";
+
+/// MIME тип для RTF документов
 pub const APPLICATION_RTF: &str = "application/rtf";
 
 /// MIME тип для XLSX (Microsoft Excel)
@@ -25,3 +28,6 @@ pub const APPLICATION_XLS: &str = "application/vnd.ms-excel";
 /// MIME тип для PPTX (Microsoft `PowerPoint`) презентаций
 pub const APPLICATION_PPTX: &str =
     "application/vnd.openxmlformats-officedocument.presentationml.presentation";
+
+/// MIME тип для PPT (Microsoft `PowerPoint`) презентаций
+pub const APPLICATION_PPT: &str = "application/vnd.ms-powerpoint";

parser/src/converter.rs

@@ -0,0 +1,81 @@
+//! Модуль для перевода старых форматов документов Microsoft office в новые
+//!
+//! Используется cli утилита поставляемая libreoffice - soffice
+
+use std::process::{Command, Stdio};
+
+use crate::{
+    constants::{APPLICATION_DOC, APPLICATION_PPT, APPLICATION_RTF, APPLICATION_XLS},
+    errors::ParserError,
+    match_parsers::{define_mime_type, read_data_from_file},
+};
+
+type Result<T> = std::result::Result<T, ParserError>;
+
+/// Поддерживаемые типы старых форматов Microsoft office
+enum MSOfficeFormat {
+    /// doc like форматы
+    Doc,
+    /// xls like форматы
+    Xls,
+    /// ppt like форматы
+    Ppt,
+}
+
+/// Конвертер старых Microsoft office форматов в новые
+///
+/// Определяет формат и вызывает конвертацию файла
+/// # Arguments
+/// - `old_file_path` - путь по которому лежит файл старого формата
+/// - `new_path` - путь по которому должен появить файл нового формата
+///
+/// # Errors
+/// - [`ParserError::InvalidFormat`] - тип файла не поддерживается/не определен
+/// - [`ParserError::IoError`] - проблемы с libreoffice
+pub(crate) fn convert_to_new_format(old_file_path: &str, new_path: &str) -> Result<()> {
+    let file_data = read_data_from_file(old_file_path)?;
+    match define_mime_type(&file_data) {
+        Some(mime) if mime == APPLICATION_RTF || mime == APPLICATION_DOC => {
+            converter_files(MSOfficeFormat::Doc, old_file_path, new_path)
+        }
+        Some(mime) if mime == APPLICATION_XLS => {
+            converter_files(MSOfficeFormat::Xls, old_file_path, new_path)
+        }
+        Some(mime) if mime == APPLICATION_PPT => {
+            converter_files(MSOfficeFormat::Ppt, old_file_path, new_path)
+        }
+        Some(mime) => Err(ParserError::InvalidFormat(format!(
+            "Не поддерживается данный тип файла {mime}"
+        ))),
+        None => Err(ParserError::InvalidFormat(
+            "Не получается определить данный тип файла ".to_string(),
+        )),
+    }
+}
+
+/// Конвертирует файл в новый формат в зависимости от типа
+/// # Arguments
+/// - `old_file_path` - путь по которому лежит файл старого формата
+/// - `new_path` - путь по которому должен появить файл нового формата
+///
+/// # Errors
+/// - [`ParserError::IoError`] - проблемы с libreoffice
+fn converter_files(type_format: MSOfficeFormat, old_file_path: &str, new_path: &str) -> Result<()> {
+    let type_convert = match type_format {
+        MSOfficeFormat::Doc => "docx",
+        MSOfficeFormat::Xls => "xlsx",
+        MSOfficeFormat::Ppt => "pptx",
+    };
+
+    Command::new("soffice")
+        .arg("--headless")
+        .arg("--convert-to")
+        .arg(type_convert)
+        .arg(old_file_path)
+        .arg("--outdir")
+        .arg(new_path)
+        .stdout(Stdio::null())
+        .stderr(Stdio::null())
+        .status()?;
+    Ok(())
+}

parser/src/lib.rs

@@ -1,4 +1,5 @@
 mod constants;
+mod converter;
 mod errors;
 mod match_parsers;
 mod parsers;
@@ -10,17 +11,26 @@ use pyo3::{PyResult, types::PyModule};
 mod parser {
     use pyo3::prelude::*;
 
-    /// Parsing text `from` file by `path`
     /// Парсинг текста `from` файла по `path`
     #[pyo3::pyfunction]
     pub fn get_text(from_path: &str) -> PyResult<String> {
         Ok(crate::match_parsers::get_text(from_path)?)
     }
+
+    /// Конвертер старых Microsoft office форматов в новые
+    #[pyo3::pyfunction]
+    pub fn convert_to_new_format(old_file_path: &str, new_path: &str) -> PyResult<()> {
+        Ok(crate::converter::convert_to_new_format(
+            old_file_path,
+            new_path,
+        )?)
+    }
 }
 
 /// Функция реализации python модуля, добавляющая в него функции
 #[pymodule]
 fn docs_parser(m: &Bound<'_, PyModule>) -> PyResult<()> {
     m.add_function(wrap_pyfunction!(parser::get_text, m)?)?;
+    m.add_function(wrap_pyfunction!(parser::convert_to_new_format, m)?)?;
     Ok(())
 }

parser/src/match_parsers.rs

@@ -90,7 +90,7 @@ pub(crate) fn define_mime_type(file_data: &[u8]) -> Option<Mime> {
 }
 
 /// Считывает данные из файла ввиде byte vec
-fn read_data_from_file(file_name: &str) -> Result<Vec<u8>> {
+pub(crate) fn read_data_from_file(file_name: &str) -> Result<Vec<u8>> {
     Ok(std::fs::read(file_name)?)
 }