2.2 KiB
2.2 KiB
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
- 原文件保存到当前用户、当前会话的
uploads/。 - 支持的文档自动转换为同名
.md。 - Agent 同时收到原文件和 Markdown 虚拟路径。
- 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。