HaHafeng
88cc049fb3
- Implement 5 core API endpoints (create task, get progress, get results, update decision, export Excel) - Add FulltextScreeningController with Zod validation (652 lines) - Implement ExcelExporter service with 4-sheet report generation (352 lines) - Register routes under /api/v1/asl/fulltext-screening - Create 31 REST Client test cases - Add automated integration test script - Fix PDF extraction fallback mechanism in LLM12FieldsService - Update API design documentation to v3.0 - Update development plan to v1.2 - Create Day 5 development record - Clean up temporary test files
2.3 KiB
2.3 KiB
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）：
- ASL - AI智能文献（文献PDF提取）
- PKB - 个人知识库（知识库文档上传）
- DC - 数据清洗（Excel/Docx数据导入）
- SSA - 智能统计分析（数据导入）
- ST - 统计分析工具（数据导入）
- 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
最后更新： 2025-11-06
维护人： 技术架构师