Files
deerflow-code/deploy/linux-docker-offline-deerflow-only/docs/10-Office文档处理与自检.md
T

2.2 KiB
Raw Blame History

10 Office 文档处理与自检

本包的默认沙箱是 DeerFlow 后端容器内的 LocalSandboxProvider。Office 依赖必须安装在后端镜像的 /opt/venv 和操作系统层;只安装在宿主机上没有作用。

已内置能力

  • Word:DOC、DOCX、ODT。
  • Excel:XLS、XLSX、ODS。
  • PowerPoint:PPT、PPTX、ODP。
  • PDF:文本抽取和 Markdown 转换。
  • Python:MarkItDown、python-docx、openpyxl、pandas、python-pptx、xlrd、lxml、mammoth。
  • 系统工具:LibreOffice Headless、Pandoc、Poppler、file、中文 Noto 字体。

现代 DOCX/XLSX/PPTX 直接由 Python 组件读取;旧 DOC/XLS/PPT 和 OpenDocument 文件先用独立 LibreOffice 临时配置转换为现代格式,再提取为 Markdown。独立临时配置可避免多个上传任务同时转换时争用 LibreOffice 用户目录锁。

config/deerflow/config.base.yaml 默认设置:

uploads:
  auto_convert_documents: true
  pdf_converter: auto

运行配置由脚本生成,正常部署无需再手工修改 YAML。

不依赖数据库的自检

sudo ./OFFLINE_INSTALL.sh --office-check

脚本会在后端镜像中生成最小 DOCX、XLSX、PPTX,再分别转换并检查标记文本,同时检查 LibreOffice、Pandoc、Poppler、file 和中文字体。通过时输出:

OFFICE_RUNTIME_SELF_CHECK=PASS

该命令只检查镜像和沙箱依赖,不读取 MySQL,也不启动前后端服务。

上传后的处理路径

  1. 原文件保存到当前用户、当前会话的 uploads/。
  2. 支持的文档自动转换为同名 .md。
  3. Agent 同时收到原文件和 Markdown 虚拟路径。
  4. Agent 优先读取 .md 做总结、问答和内容抽取;需要生成/修改文件时,可在本地沙箱使用上述 Python 库和系统工具,产物应写入 /mnt/user-data/outputs/。

如果自检通过但某个文件失败,应查看:

sudo ./OFFLINE_INSTALL.sh --logs deerflow-backend

损坏、加密、带复杂宏或受密码保护的 Office 文件可能仍无法自动解析。此时原文件会保留,但不会保证生成有效 Markdown;应先解除密码或另存为标准 DOCX/XLSX/PPTX 后重新上传。