54 lines
2.2 KiB
Markdown
54 lines
2.2 KiB
Markdown
# 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。
|