mirror of
https://github.com/ThearchyHelios/AgentLab.git
synced 2026-11-15 01:51:57 +00:00
ThearchyHelios
277982ead3
- 蓝图：bp_* 操作和逐卡白名单、蓝图检查、留痕、按蓝图判权限；五个场景模板加自由形（骨架、关节、应用骨架、定时任务），实例化与骨架比对；BlueprintApplier / TemplateApplier（只收模板声明过的关节）与自查；look 新类别口径卡；蓝图对话和填关节两个流式接口，不同组的关节并行填、出错的组串行重试；模板列表 - 试运行与发布单：四种起点（对话、模板、问数据的一轮、已发布版本）；试运行是探索运行，草稿应用按这次运行解析、印章写试运行，流程类派给自己、不触发升级；发布单九步、预检只读、每步留痕、停下后接着做、核对卡片指纹和应用管理权、启动时整理中断的单；白话层覆盖全部问题编号 - 记录表与文件：平台托管只追加的记录表、按高水位固定数据、连接上的临时视图做行级可见、写入走动作（records_append）、表版本在发布时切换、草稿不影响线上、记录列表遮敏感列；文件按哈希存、两步上传、提交时绑定运行、下载按读权限、清理、file_text、按配方导入一期（table_import_period） - 个人应用：存成个人应用（问数据的约束）、刷新（遮罩、只读、每日上限）、只有拥有者看得见、提交审核与共享副本、开关下发到认人接口；页面编辑的候选；隐藏组件不下发；三条新检查
263 lines
11 KiB
Python
263 lines
11 KiB
Python
"""把上传的文件变成文本。
|
||
|
||
在此之前 upload 只接受 UTF-8：PDF 传上去直接 415，而 mime 字段记了却从不
|
||
参与任何判断。知识库里最常见的恰恰是 PDF 和 Word。
|
||
|
||
PDF/DOCX 的解析库走可选依赖（pyproject 的 [docs]），和 [db]、[microvm] 一样
|
||
——它们加起来几十兆，而只用纯文本的人不该为此付出安装时间。没装时给的报错
|
||
要能照着做，不是一句 ImportError。
|
||
|
||
HTML 用已经在依赖里的 beautifulsoup4，不额外引入东西。
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import io
|
||
import re
|
||
|
||
#: 认得出的扩展名 → 处理方式。mime 不可靠（浏览器给 .md 报 application/octet-stream）
|
||
_PDF = {".pdf"}
|
||
_DOCX = {".docx"}
|
||
_PPTX = {".pptx"}
|
||
_HTML = {".html", ".htm"}
|
||
|
||
#: 按 UTF-8 文本读的常见格式。清单外的文件也会按文本试，这里列的是上传框里
|
||
#: 该让人选得到的那些——前端的 accept 从 GET /api/kb/formats 取，只在这一处定义
|
||
_TEXT = (".txt", ".md", ".markdown", ".json", ".log", ".yaml", ".yml", ".py", ".ts", ".js")
|
||
|
||
#: 表格数据。它们有更好的去处——数据源那条路会把它变成可以真查的表，
|
||
#: 而传进知识库只能当文本检索：数字是模型"读"出来的不是"算"出来的，
|
||
#: 而这个项目的地基恰恰是"所有算术下沉到 SQL 或口径卡"（见 engine/issuance.py）
|
||
_TABULAR = {".xlsx", ".xls", ".csv", ".tsv"}
|
||
|
||
#: 老的二进制 Office 格式。解析它们要装 libreoffice 之类的外部转换器，代价和
|
||
#: 收益不成比例——但认出来并说清楚"另存为新格式"，比让用户对着 ImportError
|
||
#: 或者"不是 UTF-8 文本"发愣强得多
|
||
_LEGACY_OFFICE = {".ppt": "PowerPoint", ".doc": "Word", ".xls": "Excel"}
|
||
|
||
|
||
class UnsupportedDocument(ValueError):
|
||
"""认不出或解析不了。message 直接给用户看。"""
|
||
|
||
|
||
def supported_formats() -> dict[str, list[str]]:
|
||
"""知识库收哪些格式、拒哪些。上传框的 accept 和后端的判断必须是同一份清单：
|
||
以前前端手写了一份，漏了 .pptx（后端支持）、多了 .csv（后端必拒）。"""
|
||
extensions = sorted(_PDF | _DOCX | _PPTX) + sorted(_HTML) + list(_TEXT)
|
||
return {
|
||
"extensions": extensions,
|
||
"text": list(_TEXT),
|
||
"tabular": sorted(_TABULAR),
|
||
"legacy": sorted(_LEGACY_OFFICE),
|
||
}
|
||
|
||
|
||
def _why(e: BaseException) -> str:
|
||
"""解析库的原话，去掉类名。它们常常是英文，但比"读不开"多一点线索。"""
|
||
text = str(e).strip()
|
||
return (text.splitlines()[0][:120] if text else "") or "无更多说明"
|
||
|
||
|
||
def _ext(filename: str) -> str:
|
||
idx = filename.rfind(".")
|
||
return filename[idx:].lower() if idx >= 0 else ""
|
||
|
||
|
||
def _from_pdf(raw: bytes) -> str:
|
||
try:
|
||
from pypdf import PdfReader
|
||
except ImportError as e:
|
||
raise UnsupportedDocument(
|
||
"解析 PDF 需要安装解析库：pip install 'agentlab-backend[docs]'"
|
||
) from e
|
||
try:
|
||
reader = PdfReader(io.BytesIO(raw))
|
||
except Exception as e: # noqa: BLE001
|
||
raise UnsupportedDocument(
|
||
f"无法打开该 PDF：文件可能已损坏、设置了密码或并非 PDF（{_why(e)}）。"
|
||
"请用原软件另存后重新上传"
|
||
) from e
|
||
|
||
# 按页拼，页与页之间留空行——切块是按段落切的，页边界正好是天然的段落边界
|
||
pages = []
|
||
for i, page in enumerate(reader.pages):
|
||
try:
|
||
pages.append(page.extract_text() or "")
|
||
except Exception: # noqa: BLE001 - 单页坏了不该毁掉整份文档
|
||
pages.append(f"（第 {i + 1} 页解析失败）")
|
||
# PDF 抽出来的每行都拖着排版留下的填充空格，不清掉会混进切块和词频统计
|
||
cleaned = []
|
||
for page in pages:
|
||
lines = [ln.rstrip() for ln in page.splitlines()]
|
||
body = "\n".join(ln for ln in lines if ln.strip())
|
||
if body:
|
||
cleaned.append(body)
|
||
text = "\n\n".join(cleaned)
|
||
if not text.strip():
|
||
raise UnsupportedDocument(
|
||
"该 PDF 中没有可提取的文字，可能是扫描件。"
|
||
"扫描件需要先进行 OCR 识别，这里不做图像识别。"
|
||
)
|
||
return text
|
||
|
||
|
||
def _from_docx(raw: bytes) -> str:
|
||
try:
|
||
import docx
|
||
except ImportError as e:
|
||
raise UnsupportedDocument(
|
||
"解析 Word 需要安装解析库：pip install 'agentlab-backend[docs]'"
|
||
) from e
|
||
try:
|
||
doc = docx.Document(io.BytesIO(raw))
|
||
except Exception as e: # noqa: BLE001
|
||
raise UnsupportedDocument(
|
||
f"无法打开该 Word 文档：文件可能已损坏、设置了密码或并非 Word（{_why(e)}）。"
|
||
"请用原软件另存后重新上传"
|
||
) from e
|
||
|
||
parts = [p.text.strip() for p in doc.paragraphs if p.text.strip()]
|
||
# 表格也要：合同、口径说明这类文档的关键信息常常整个在表里，
|
||
# 只取段落等于把它们全丢了
|
||
for table in doc.tables:
|
||
for row in table.rows:
|
||
cells = [c.text.strip() for c in row.cells if c.text.strip()]
|
||
if cells:
|
||
parts.append(" | ".join(cells))
|
||
text = "\n\n".join(parts)
|
||
if not text.strip():
|
||
raise UnsupportedDocument("该 Word 文档中没有文字内容")
|
||
return text
|
||
|
||
|
||
def _from_pptx(raw: bytes) -> str:
|
||
try:
|
||
from pptx import Presentation
|
||
except ImportError as e:
|
||
raise UnsupportedDocument(
|
||
"解析 PowerPoint 需要安装解析库：pip install 'agentlab-backend[docs]'"
|
||
) from e
|
||
try:
|
||
deck = Presentation(io.BytesIO(raw))
|
||
except Exception as e: # noqa: BLE001
|
||
raise UnsupportedDocument(
|
||
f"无法打开该 PowerPoint：文件可能已损坏、设置了密码或并非 PowerPoint（{_why(e)}）。"
|
||
"请用原软件另存后重新上传"
|
||
) from e
|
||
|
||
slides: list[str] = []
|
||
for page in deck.slides:
|
||
parts: list[str] = []
|
||
for shape in page.shapes:
|
||
# 表格和文本框要分开取：一张幻灯片的关键信息常常整个在表里，
|
||
# 而 has_text_frame 对表格是 False
|
||
if getattr(shape, "has_table", False):
|
||
for row in shape.table.rows:
|
||
cells = [c.text.strip() for c in row.cells if c.text.strip()]
|
||
if cells:
|
||
parts.append(" | ".join(cells))
|
||
elif getattr(shape, "has_text_frame", False):
|
||
text = shape.text_frame.text.strip()
|
||
if text:
|
||
parts.append(text)
|
||
if parts:
|
||
slides.append("\n".join(parts))
|
||
|
||
# 幻灯片之间留空行。和 PDF 按页拼是同一个道理：页/片的边界本来就是
|
||
# 天然的段落边界，而切块是按段落切的
|
||
text = "\n\n".join(slides)
|
||
if not text.strip():
|
||
raise UnsupportedDocument(
|
||
"该 PowerPoint 中没有可提取的文字，可能整页都是图片。"
|
||
"图片中的文字需要先进行 OCR 识别，这里不做图像识别。"
|
||
)
|
||
return text
|
||
|
||
|
||
def _from_html(raw: bytes) -> str:
|
||
from bs4 import BeautifulSoup
|
||
|
||
soup = BeautifulSoup(raw.decode("utf-8", errors="replace"), "html.parser")
|
||
for tag in soup(["script", "style", "nav", "footer"]):
|
||
tag.decompose()
|
||
text = soup.get_text("\n")
|
||
# 连续空行压成一个：HTML 转出来到处是空行，会把切块的段落判断搅乱
|
||
return re.sub(r"\n{3,}", "\n\n", text).strip()
|
||
|
||
|
||
def extract(raw: bytes, filename: str, mime: str = "", *, tables: bool = False) -> str:
|
||
"""文件字节 → 文本。认不出就按 UTF-8 文本试。
|
||
|
||
tables：表格也转成文字（CSV、TSV 原样，xlsx 逐个工作表按行列出）。知识库不收表格（见 _TABULAR），不传它；
|
||
运行时把上传的附件交给 agent 读（files/text.py 的 file_text，docs/design/normal-user-apps.md N9）传 True。"""
|
||
ext = _ext(filename)
|
||
if ext in _PDF or mime == "application/pdf":
|
||
return _from_pdf(raw)
|
||
if ext in _DOCX or "wordprocessingml" in mime:
|
||
return _from_docx(raw)
|
||
if ext in _PPTX or "presentationml" in mime:
|
||
return _from_pptx(raw)
|
||
if ext in _HTML or mime == "text/html":
|
||
return _from_html(raw)
|
||
if tables and ext in (".csv", ".tsv"):
|
||
return _from_text_table(raw, filename)
|
||
if tables and ext == ".xlsx":
|
||
return _from_xlsx(raw, filename)
|
||
if ext in _TABULAR:
|
||
raise UnsupportedDocument(
|
||
f"「{filename}」是表格，知识库不接收表格。请到「数据」页的「表格」中点击「上传表格」导入："
|
||
"导入后会成为可用 SQL 查询的表，数字由查询计算得出，可追溯到具体查询。"
|
||
"放进知识库只能按文字检索，数字要由模型读取，容易读错，也无法追溯来源。"
|
||
)
|
||
if ext in _LEGACY_OFFICE:
|
||
# 认出来再拒，而不是让它掉进下面那个"不是 UTF-8"的兜底——
|
||
# 后者对着一个 .ppt 说"不是文本"，用户根本不知道该怎么办
|
||
raise UnsupportedDocument(
|
||
f"无法读取 {filename}：{_LEGACY_OFFICE[ext]} 的旧版二进制格式（{ext}）需要"
|
||
f"外部转换器才能解析。请在 Office 中另存为 {ext}x 后重新上传。"
|
||
)
|
||
try:
|
||
return raw.decode("utf-8")
|
||
except UnicodeDecodeError as e:
|
||
raise UnsupportedDocument(
|
||
f"无法读取 {filename or '该文件'}：它不是 UTF-8 文本，"
|
||
f"也不是可识别的 PDF / Word / PowerPoint / HTML。"
|
||
) from e
|
||
|
||
|
||
def _from_text_table(raw: bytes, filename: str) -> str:
|
||
"""CSV / TSV 原样当文字。国内导出的 CSV 常是 GBK，UTF-8 解不开就按 GB18030 试。"""
|
||
for encoding in ("utf-8-sig", "gb18030"):
|
||
try:
|
||
return raw.decode(encoding)
|
||
except UnicodeDecodeError:
|
||
continue
|
||
raise UnsupportedDocument(f"无法读取 {filename}：既不是 UTF-8 也不是 GBK 编码的文字")
|
||
|
||
|
||
def _from_xlsx(raw: bytes, filename: str) -> str:
|
||
"""xlsx 逐个工作表按行列出，单元格之间用制表符。只读取值（公式取上次计算的结果），隐藏的工作表也列出、标明隐藏。"""
|
||
try:
|
||
from openpyxl import load_workbook
|
||
except ImportError as e: # pragma: no cover - openpyxl 在核心依赖里
|
||
raise UnsupportedDocument("读取 Excel 需要 openpyxl") from e
|
||
try:
|
||
book = load_workbook(io.BytesIO(raw), read_only=True, data_only=True)
|
||
except Exception as e: # noqa: BLE001 - 解析库的各种异常一律照实说读不开
|
||
raise UnsupportedDocument(f"无法读取 {filename}：{_why(e)}") from e
|
||
parts: list[str] = []
|
||
try:
|
||
for sheet in book.worksheets:
|
||
hidden = "（隐藏）" if getattr(sheet, "sheet_state", "visible") != "visible" else ""
|
||
lines = []
|
||
for row in sheet.iter_rows(values_only=True):
|
||
cells = ["" if v is None else str(v) for v in row]
|
||
while cells and not cells[-1]:
|
||
cells.pop()
|
||
if cells:
|
||
lines.append("\t".join(cells))
|
||
parts.append(f"## 工作表 {sheet.title}{hidden}\n" + "\n".join(lines))
|
||
finally:
|
||
book.close()
|
||
return "\n\n".join(parts)
|