# 文档处理引擎

> **能力定位：** 通用能力层  
> **复用率：** 86% (6个模块依赖)  
> **优先级：** P0  
> **状态：** ✅ 已实现（Python微服务）

---

## 📋 能力概述

文档处理引擎是平台的核心基础能力，负责：
- 多格式文档文本提取（PDF、Docx、Txt、Excel）
- OCR处理
- 表格提取
- 语言检测
- 质量评估

---

## 📊 依赖模块

**6个模块依赖（86%复用率）：**
1. **ASL** - AI智能文献（文献PDF提取）
2. **PKB** - 个人知识库（知识库文档上传）
3. **DC** - 数据清洗（Excel/Docx数据导入）
4. **SSA** - 智能统计分析（数据导入）
5. **ST** - 统计分析工具（数据导入）
6. **RVW** - 稿件审查（稿件文档提取）

---

## 💡 核心功能

### 1. PDF提取
- **Nougat**：英文学术论文（高质量）
- **PyMuPDF**：中文PDF + 兜底方案（快速）
- **语言检测**：自动识别中英文
- **质量评估**：提取质量评分

### 2. Docx提取
- **Mammoth**：转Markdown
- **python-docx**：结构化读取

### 3. Txt提取
- **多编码支持**：UTF-8、GBK等
- **chardet**：自动检测编码

### 4. Excel处理
- **openpyxl**：读取Excel
- **pandas**：数据处理

---

## 🏗️ 技术架构

**Python微服务（FastAPI）：**
```
extraction_service/
  ├── main.py (509行)              - FastAPI主服务
  ├── services/
  │   ├── pdf_extractor.py (242行)    - PDF提取总协调
  │   ├── pdf_processor.py (280行)    - PyMuPDF实现
  │   ├── language_detector.py (120行) - 语言检测
  │   ├── nougat_extractor.py (242行) - Nougat实现
  │   ├── docx_extractor.py (253行)   - Docx提取
  │   └── txt_extractor.py (316行)    - Txt提取（多编码）
  └── requirements.txt
```

---

## 📚 API端点

```
POST /api/extract/pdf      - PDF文本提取
POST /api/extract/docx     - Docx文本提取
POST /api/extract/txt      - Txt文本提取
POST /api/extract/excel    - Excel表格提取
GET  /health               - 健康检查
```

---

## 🔗 相关文档

- [通用能力层总览](../README.md)
- [Python微服务代码](../../../extraction_service/)

---

**最后更新：** 2025-11-06  
**维护人：** 技术架构师