Agent-System-Backend/internal/ingest/ooxml.go

package ingest

// OOXML 公共件：zip 部件读取（解压上限防 zip 炸弹）、关系部件解析、
// r:id 属性与相对路径归一。docx/xlsx/pptx 解析器共用；纯标准库。

import (
	"archive/zip"
	"bytes"
	"encoding/xml"
	"fmt"
	"io"
	"path"
	"strings"
)

// ooxmlPartLimit 单个 zip 部件的解压上限（测试可覆盖）。
var ooxmlPartLimit int64 = 64 << 20

func openZip(content []byte) (*zip.Reader, error) {
	return zip.NewReader(bytes.NewReader(content), int64(len(content)))
}

// zipPart 按名称读取部件；解压超过 ooxmlPartLimit 视为异常拒绝。
func zipPart(zr *zip.Reader, name string) ([]byte, error) {
	for _, f := range zr.File {
		if f.Name != name {
			continue
		}
		rc, err := f.Open()
		if err != nil {
			return nil, err
		}
		b, err := io.ReadAll(io.LimitReader(rc, ooxmlPartLimit+1))
		rc.Close()
		if err != nil {
			return nil, err
		}
		if int64(len(b)) > ooxmlPartLimit {
			return nil, fmt.Errorf("part %s exceeds %d bytes decompression limit", name, ooxmlPartLimit)
		}
		return b, nil
	}
	return nil, fmt.Errorf("part %s not found", name)
}

// relsPath 计算部件对应的关系部件名（xl/workbook.xml → xl/_rels/workbook.xml.rels）。
func relsPath(part string) string {
	dir, base := path.Split(part)
	return dir + "_rels/" + base + ".rels"
}

type ooxmlRel struct {
	ID, Target, Type string
}

// parseRels 解析部件的关系表；无关系部件返回空表（不是错误）。
func parseRels(zr *zip.Reader, part string) (map[string]ooxmlRel, error) {
	data, err := zipPart(zr, relsPath(part))
	if err != nil {
		return map[string]ooxmlRel{}, nil
	}
	dec := xml.NewDecoder(bytes.NewReader(data))
	out := map[string]ooxmlRel{}
	for {
		tok, err := dec.Token()
		if err == io.EOF {
			break
		}
		if err != nil {
			return nil, err
		}
		st, ok := tok.(xml.StartElement)
		if !ok || st.Name.Local != "Relationship" {
			continue
		}
		r := ooxmlRel{}
		for _, a := range st.Attr {
			switch a.Name.Local {
			case "Id":
				r.ID = a.Value
			case "Target":
				r.Target = a.Value
			case "Type":
				r.Type = a.Value
			}
		}
		if r.ID != "" {
			out[r.ID] = r
		}
	}
	return out, nil
}

// resolveRelTarget 把关系 target 解析为 zip 部件名：绝对 target（/xl/…）去
// 前导斜杠；相对 target 相对 partDir；归一化 ../ 与 ./ 段。
func resolveRelTarget(partDir, target string) string {
	t := target
	if !strings.HasPrefix(target, "/") {
		t = partDir + "/" + target
	}
	var seg []string
	for _, s := range strings.Split(t, "/") {
		switch s {
		case "", ".":
		case "..":
			if len(seg) > 0 {
				seg = seg[:len(seg)-1]
			}
		default:
			seg = append(seg, s)
		}
	}
	return strings.Join(seg, "/")
}

// ridAttr 取 r:id：局部名 id 且带命名空间前缀（Transitional 与 Strict OOXML
// 的关系引用都满足该形态；无前缀的 id 是别的编号，不误取）。
func ridAttr(st xml.StartElement) string {
	for _, a := range st.Attr {
		if a.Name.Local == "id" && a.Name.Space != "" {
			return a.Value
		}
	}
	return ""
}

// attrLocal 取无命名空间前缀的属性值。
func attrLocal(st xml.StartElement, name string) string {
	for _, a := range st.Attr {
		if a.Name.Local == name && a.Name.Space == "" {
			return a.Value
		}
	}
	return ""
}

// relIsType 判断关系类型是否以标准关系类型后缀结尾（/worksheet、/slide 等）。
func relIsType(rel ooxmlRel, suffix string) bool {
	return strings.HasSuffix(rel.Type, suffix)
}