Appearance
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
Бинарные офисные форматы и PDF отдаются markdown (meta.format = markdown): заголовки, списки, таблицы. RTF — плоский текст. Код, JSON, YAML и markdown-файлы возвращаются как есть.
| Расширение | Результат |
|---|---|
.pdf | Текстовый слой, без OCR. Ошибка, если слой не прочитан |
.docx | word/document.xml → markdown |
.xlsx, .xls, .xlsm | Листы как markdown-таблицы |
.pptx | Слайды, заголовки и списки в markdown |
.epub | Главы HTML/XHTML → markdown |
.rtf | Текст без управляющих последовательностей |
.md, .markdown | Исходный markdown |
| прочие текстовые | Как есть, meta.format = text |
Файл с префиксом %PDF- распознаётся как PDF, даже если имя без расширения.
HTTP API
| Метод | Путь | Описание |
|---|---|---|
POST | /api/v1/extract | Multipart-файл или JSON { "filename", "content_type", "content_b64" } |
Успех — конверт service-common:
json
{
"success": true,
"data": {
"text": "# Заголовок\n…",
"mime_type": "application/pdf",
"char_count": 1200,
"meta": { "format": "markdown" }
}
}Ошибка извлечения — HTTP 500:
json
{ "success": false, "error": "EXTRACT_FAILED", "message": "…" }