Более глубокий / сложный парсинг исходных файлов

Многие критерии оформления требуют работы со страницами и пр. редакторо-зависимым контентом (формулы, генерируемые поля, номера страниц и пр.), поэтому они используют для проверки pdf, который тоже имеет свои проблемы из-за конвертации (https://github.com/moevm/document_insight_system/issues/821), а при загрузке нормального pdf от студента уже критерии могут не работать корректно (т.к. при разработке писались и тестировались на сконвертированных в сервисе)

Возможно, есть инструменты которые не просто парсят docx/pptx (как zip-архив и xml-файлы), а делают что-то более умное / близкое к поведению текстового редактора

• сейчас используются python-docx / python-pptx

возможный список для проверки возможностей (не исследовано)

• бесплатное
  • https://github.com/docling-project/docling - больше про обработку/подготовку файлов для ИИ, но чем мы хуже
  • https://github.com/yfedoseev/office_oxide - совсем молодое и ещё не популярное
• платное?
  • https://products.aspose.com/
  • https://www.nutrient.io/sdk/python/

Start by reviewing the current python-docx and python-pptx parsing approach, then compare the capabilities of Docling and the other tools listed in the issue. Use issue #821 to understand the PDF conversion problems. Done means documenting whether a tool can handle editor-dependent content more reliably and identifying a viable integration direction.