Ми раді оголосити про випуск GroupDocs.Parser for Python v26.10, доступний з листопада 2026. Цей випуск оновлює базовий движок до версії 26.8 і переходить з .NET Core 3.1 на .NET 10.0.14, виправляючи дві вразливості типу відмова в обслуговуванні в System.Security.Cryptography.Pkcs. Він вводить важливі нові можливості, включаючи витягування анотацій, парсинг HTML‑таблиць, OCR для арабської та корейської, Python‑логер, обробку зовнішніх ресурсів, callbacks попереднього перегляду як прості функції та інструмент командного рядка groupdocs-parser. Пакет wheel тепер є чистим Python‑пакетом, орієнтованим на Python 3.5 – 3.14, з оновленими тегами платформи (manylinux_2_27_x86_64, macosx_13_0_*) та без 32‑бітного wheel для Windows.
Що нового у цьому випуску
- [Feature] Додана підтримка витягування анотацій за допомогою
get_annotations()таTextOptions.include_annotations(PARSERPYTHONNET-23) - [Feature] Додано інструмент командного рядка
groupdocs-parser(PARSERPYTHONNET-24) - [Feature] Додана підтримка Python‑логера, що реалізує
ILogger(PARSERPYTHONNET-25) - [Feature] Додана підтримка обробки завантаження зовнішніх ресурсів з Python (PARSERPYTHONNET-26)
- [Feature] Додано OCR для арабської та корейської (PARSERPYTHONNET-27)
- [Feature] Додана підтримка витягування таблиць з HTML‑документів (PARSERPYTHONNET-28)
- [Feature] Додана підтримка застосування ліцензії з змінної середовища
GROUPDOCS_LIC_PATH(PARSERPYTHONNET-36) - [Enhancement] Оновлено GroupDocs.Parser до 26.8 та вбудований runtime до .NET 10.0.14 (PARSERPYTHONNET-29)
- [Enhancement] Поставляється чистий Python‑пакет для Python 3.5 – 3.14 замість скомпільованого розширення (PARSERPYTHONNET-30)
- [Enhancement] Передача callbacks попереднього перегляду до
PreviewOptionsяк простих Python‑функцій (PARSERPYTHONNET-31) - [Enhancement] Відхилення присвоєння невідомих атрибутів об’єктів API (PARSERPYTHONNET-32)
- [Enhancement] Оновлені теги платформи до glibc 2.27 і macOS 13, видалено 32‑бітний wheel для Windows (PARSERPYTHONNET-33)
- [Enhancement] Підняття
GroupDocsParserExceptionта його підкласів замістьRuntimeError(PARSERPYTHONNET-34) - [Enhancement] Оновлено
System.Security.Cryptography.Pkcsдо 10.0.14, що виправляє дві вразливості типу відмова в обслуговуванні (PARSERPYTHONNET-37) - [Fix] Деякі документи Word і RTF завершувалися помилкою
The document appears to be corruptedабо бракували збіркиSkiaSharp3.119 (PARSERPYTHONNET-35) - [Fix] Пам’ять зростає при відкритті кожного документа з
BytesIO(PARSERPYTHONNET-38)
Зміни у публічному API
- Помилки движка піднімають
GroupDocsParserException,InvalidPasswordException,CorruptedDocumentExceptionабоUnsupportedDocumentFormatExceptionзgroupdocs.parser.exceptions, тоді як у 25.12 піднімавсяRuntimeErrorдля всіх. Класи існували в 25.12, але не успадковувалиExceptionі ніколи не піднімалися.except Exceptionловить помилки обох випусків. - Присвоєння невідомого атрибуту піднімає
AttributeError. - Списки, які повертає движок, підтримують
len()і індексацію, а порожній список оцінюється якFalse.
Видалено
groupdocs.parser.options.ICreatePageStreamgroupdocs.parser.options.IReleasePageStreamgroupdocs.parser.options.IPreviewPageRender
Тепер передавайте функції до PreviewOptions та PreviewOptions.preview_page_render.
Нові класи та члени
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()іtable[row, column].DocumentData,Template:get().TemplateCollection:append().Resources:storage_path, записуваний.
Нові функції
Витягування анотацій
Parser.get_annotations() повертає коментарі та нотатки PDF, Word або PowerPoint у вигляді об’єктів AnnotationItem зі значенням, типом, індексом сторінки, міткою часу, ім’ям автора та ініціалами; get_annotations(page_index) читає одну сторінку. TextOptions.include_annotations додає текст анотації до витягнутого тексту, а parser.features.annotations повідомляє, чи підтримує формат анотації.
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))
Командний рядок
Wheel встановлює консольний скрипт groupdocs-parser (також python -m groupdocs.parser) з командами text, info, metadata, images, annotations та list-formats. text приймає --page N (нумерація з 1), --format plain|markdown|html, --ocr, --include-annotations і -o FILE; info, metadata і annotations приймають --json; images приймає --out DIR; кожна команда приймає --password. --license і --version вказуються перед командою. Код виходу 0 — успіх, 2 — помилка користувача (наприклад, відсутній файл), 1 — помилка движка або формат, що не підтримує операцію.
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-логгер
Простий Python‑об’єкт з методами trace(message), warning(message) і error(message, exception) можна передати до ParserSettings як логер, і движок викликатиме його під час обробки, наприклад, при пошкодженому файлі. Працює також функція log(level, message, exception).
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)
Керування завантаженням зовнішніх ресурсів
Движок запитує зовнішній обробник перед завантаженням кожного зображення, на яке посилається HTML або MHTML документ. Обробник може бути функцією, об’єктом з методом on_loading(args) або підкласом ExternalResourceHandler; встановлення args.skipped = True пропускає ресурс. ParserSettings приймає його як 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 для арабської та корейської
OcrOptions.language вибирає алфавіт, який розпізнає OCR; за замовчуванням — англійська. Language.ARA і Language.KOR нові в цьому движку. Моделі розпізнавання входять до складу движка: перший виклик OCR розпаковує їх (близько 80 МБ) у папку aspose_data у робочому каталозі, без завантаження. Щоб задати іншу папку, встановіть Resources.storage_path (from groupdocs.parser import Resources) перед першим викликом OCR.
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)))
Таблиці з HTML‑документів
get_tables() тепер знаходить таблиці в HTML‑документах, так само як у PDF, Word та електронних таблицях; у 25.12 їх не знаходило. Комірка доступна як table[row, column] або 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)])
Ліцензія з середовища
Встановіть GROUPDOCS_LIC_PATH у шлях до файлу ліцензії або URL, що його повертає, і ліцензія буде застосована при першому виклику Parser, без коду ліцензії; у 25.12 змінна не читалася. Якщо ліцензію не вдається застосувати (відсутній файл, прострочена підписка, ліцензія для іншого продукту), кожен виклик Parser піднімає LicenseError, вказуючи змінну та причину движка, доки License().set_license() не застосує ліцензію. Встановіть GROUPDOCS_LIC_STRICT=0, щоб отримати один LicenseWarning і режим оцінки.
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>
Callbacks попереднього перегляду як прості функції
PreviewOptions(create_page_stream, release_page_stream) приймає звичайні функції, так само як PreviewOptions.preview_page_render. create_page_stream(page_number) повертає записуваний потік, наприклад файл, відкритий у режимі "wb" або io.BytesIO; нумерація сторінок починається з 1. Движок закриває переданий файл і викликає release_page_stream(page_number) після запису сторінки. У 25.12 це були класи ICreatePageStream, IReleasePageStream і 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)
Помилкові атрибути викликають AttributeError
Присвоєння властивості, якої немає у об’єкта API, піднімає AttributeError з підказкою «Did you mean». У 25.12 таке присвоєння приймалося, зберігалося лише як Python‑атрибут і не впливало на налаштування движка.
from groupdocs.parser.options import TextOptions
options = TextOptions()
try:
options.include_annotation = True
except AttributeError as error:
print(error)
Один wheel для Python 3.5 – 3.14
У 25.12 це було скомпільоване розширення з окремим двійковим модулем для кожної версії Python і runtime .NET Core 3.1. У 26.10 — один py3-none-<platform> wheel на платформу, чистий Python над вбудованим .NET 10, і вказано python_requires=">=3.5,<3.15". Python 3.14 новий: у 25.12 було <3.14. Більшість коду 25.12 працює без змін, і всі 129 прикладів Docs, що працювали на 25.12, працюють на 26.10. get_text() і get_formatted_text() і далі повертають str, який тепер також підтримує read_to_end().
Оновлені теги платформи та 64‑бітний wheel для Windows
Linux‑wheel має тег manylinux_2_27_x86_64, найстаріший glibc, на якому стартує вбудований .NET 10, а macOS‑wheel — macosx_13_0_x86_64 і macosx_13_0_arm64. 32‑бітний wheel для Windows більше не існує. Для встановлення потрібен pip 20.3 або новіший.
Приклад коду
Витягування анотацій з Word‑документа та включення їх у витягнутий текст:
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))
Як отримати оновлення
PyPI
Встановіть або оновіть через PyPI:
groupdocs-parser-net 26.10.0 на PyPI
pip install groupdocs-parser-net==26.10.0
Пряме завантаження
Завантажте wheel‑файли для конкретних платформ зі сторінки випуску GroupDocs.Parser for Python via .NET 26.10: