Skip to content

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.

РасширениеРезультат
.pdfТекстовый слой, без OCR. Ошибка, если слой не прочитан
.docxword/document.xml → markdown
.xlsx, .xls, .xlsmЛисты как markdown-таблицы
.pptxСлайды, заголовки и списки в markdown
.epubГлавы HTML/XHTML → markdown
.rtfТекст без управляющих последовательностей
.md, .markdownИсходный markdown
прочие текстовыеКак есть, meta.format = text

Файл с префиксом %PDF- распознаётся как PDF, даже если имя без расширения.

HTTP API ​

МетодПутьОписание
POST/api/v1/extractMultipart-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": "…" }