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

54 lines
2.2 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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:
```yaml
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
```bash
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:
```text
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:
```bash
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。