文档提取器¶
Note: ⚠️ 本文档由 AI 自动翻译。如有任何不准确之处，请参考英文原版。
文档提取器节点将上传的文件转换为大型语言模型可以处理的文本。由于语言模型无法直接读取PDF或DOCX等文档格式，此节点作为文件上传和AI分析之间的重要桥梁。
支持的文件类型¶
该节点处理大多数基于文本的文档格式：
文本文档 - TXT、Markdown、HTML文件，包含直接文本内容
办公文档 - Microsoft Word和兼容应用程序的DOCX文件
PDF文档 - 基于文本的PDF，使用pypdfium2进行精确的文本提取
办公文件 - DOC文件需要Unstructured API，DOCX文件支持直接解析，表格提取转换为Markdown格式
电子表格 - Excel（.xls/.xlsx）和CSV文件转换为Markdown表格
演示文稿 - PowerPoint（.ppt/.pptx）文件通过Unstructured API处理
邮件格式 - EML和MSG文件用于邮件内容提取
专业格式 - EPUB电子书、VTT字幕、JSON/YAML数据和Properties文件
主要包含二进制内容（如图像、音频或视频）的文件需要专门的处理工具或外部服务。
输入和输出¶
输入配置¶
配置节点以接受：
来自文件变量的单个文件输入（通常来自开始节点）
用于批量文档处理的多个文件数组
输出结构¶
节点输出提取的文本内容：
- 单个文件输入产生包含提取文本的
string - 多个文件输入产生包含每个文件内容的
array[string]
输出变量命名为text，包含准备用于下游处理的原始文本内容。
实现示例¶
以下是使用文档提取器的完整文档问答工作流：
工作流设置¶
文件上传配置 - 在开始节点中启用文件输入，接受用户上传的文档。
文本提取 - 连接文档提取器处理上传的文件并提取其文本内容。
AI处理 - 在大型语言模型提示词中使用提取的文本进行分析、摘要或问答。
常见用例¶
文档问答应用 - 构建ChatPDF风格的应用，用户上传文档并询问其内容相关问题。
内容分析 - 处理合同、报告或研究论文以提取关键信息和见解。
批量文档处理 - 同时从多个文档提取文本用于分析、索引或迁移。
文档转换 - 将各种文档格式转换为纯文本以进行进一步处理或存储。
处理注意事项¶
文档提取器使用针对不同文件格式优化的专用解析库。它尽可能保留文本结构和格式，使提取的内容对大型语言模型处理更加有用。
文件格式处理¶
编码检测 - 使用chardet库自动检测文件编码，基于文本的文件使用UTF-8作为后备
表格转换 - Excel和CSV数据转换为Markdown表格，以便大型语言模型更好地理解
文档结构 - DOCX文件保持段落和表换
多行内容 - VTT字幕文件合并同一发言者的连续话语
外部依赖¶
某些文件格式需要通过UNSTRUCTURED_API_URL和UNSTRUCTURED_API_KEY配置Unstructured API服务：
- DOC文件（旧版Word文档）
- PowerPoint演示文稿（如果使用API处理）
- EPUB电子书（如果使用API处理）
对于非常大的文档，请考虑大型语言模型的上下文限制，如果需要，可以实施分段策略。提取的文本保持原始文档的逻辑结构，以保留含义和上下文。