Content Extract

Сервис content-extract отвечает за извлечение чистого текста из сложных и бинарных форматов файлов.

Порты

• Порт PM2 / контейнера: 8112
• Опубликованный Docker-порт: 18112

Поддерживаемые форматы

• PDF (.pdf) — извлечение текстового слоя (без OCR).
• Word (.docx) — парсинг структуры word/document.xml.
• Excel (.xlsx, .xls) — извлечение листов и ячеек.
• PowerPoint (.pptx) — извлечение слайдов, заголовков и списков.
• EPUB (.epub) — распаковка и парсинг главы HTML/XHTML.
• RTF (.rtf) — очистка от управляющих последовательностей.

HTTP API

Метод	Путь	Описание
POST	/api/v1/extract	Принимает multipart/form-data файл или JSON payload c content_b64 и возвращает извлеченный текст