HaHafeng
f01981bf78
核心功能： - 新增AICodeService（550行）：AI代码生成核心服务 - 新增AIController（257行）：4个API端点 - 新增dc_tool_c_ai_history表：存储对话历史 - 实现自我修正机制：最多3次智能重试 - 集成LLMFactory：复用通用能力层 - 10个Few-shot示例：覆盖Level 1-4场景 技术优化： - 修复NaN序列化问题（Python端转None） - 修复数据传递问题（从Session获取真实数据） - 优化System Prompt（明确环境信息） - 调整Few-shot示例（移除import语句） 测试结果： - 通过率：9/11（81.8%） 达到MVP标准 - 成功场景：缺失值处理、编码、分箱、BMI、筛选、填补、统计、分类 - 待优化：数值清洗、智能去重（已记录技术债务TD-C-006） API端点： - POST /api/v1/dc/tool-c/ai/generate（生成代码） - POST /api/v1/dc/tool-c/ai/execute（执行代码） - POST /api/v1/dc/tool-c/ai/process（生成并执行，一步到位） - GET /api/v1/dc/tool-c/ai/history/:sessionId（对话历史） 文档更新： - 新增Day 3开发完成总结（770行） - 新增复杂场景优化技术债务（TD-C-006） - 更新工具C当前状态文档 - 更新技术债务清单 影响范围： - backend/src/modules/dc/tool-c/*（新增2个文件，更新1个文件） - backend/scripts/create-tool-c-ai-history-table.mjs（新增） - backend/prisma/schema.prisma（新增DcToolCAiHistory模型） - extraction_service/services/dc_executor.py（NaN序列化修复） - docs/03-业务模块/DC-数据清洗整理/*（5份文档更新） Breaking Changes: 无 总代码行数：+950行 Refs: #Tool-C-Day3
文档提取微服务
基于FastAPI的文档文本提取服务，支持PDF、Docx、Txt格式。
功能特性
- ✅ PDF提取：使用PyMuPDF快速提取PDF文本
- ⏳ Docx提取：使用Mammoth提取Word文档（Day 3）
- ⏳ Txt提取：支持多种编码（Day 3）
- ⏳ 语言检测：自动检测PDF语言（Day 2）
- ⏳ Nougat集成：高质量学术PDF解析（Day 2）
快速开始
1. 安装依赖
cd extraction_service
# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 安装依赖
pip install -r requirements.txt
2. 配置环境变量
# 复制示例配置
cp .env.example .env
# 编辑配置（可选）
# SERVICE_PORT=8000
# DEBUG=True
3. 启动服务
# 开发模式（自动重载）
python main.py
# 或使用uvicorn
uvicorn main:app --reload --port 8000
服务将在 http://localhost:8000 启动
4. 测试服务
健康检查
curl http://localhost:8000/api/health
返回：
{
"status": "healthy",
"checks": {
"pymupdf": {
"available": true,
"version": "1.23.8"
},
"temp_dir": {
"path": "/tmp/extraction_service",
"writable": true
}
}
}
PDF文本提取
curl -X POST http://localhost:8000/api/extract/pdf \
-F "file=@test.pdf"
返回：
{
"success": true,
"method": "pymupdf",
"text": "提取的文本内容...",
"metadata": {
"page_count": 20,
"char_count": 50000,
"file_size": 1024000,
"filename": "test.pdf"
}
}
API文档
启动服务后访问：
- Swagger UI: http://localhost:8000/docs
- ReDoc: http://localhost:8000/redoc
项目结构
extraction_service/
├── main.py # 主应用入口
├── requirements.txt # Python依赖
├── .env.example # 环境变量示例
├── README.md # 本文件
├── services/ # 服务模块
│ ├── __init__.py
│ ├── pdf_extractor.py # PDF提取（PyMuPDF）
│ ├── nougat_extractor.py # Nougat提取（Day 2）
│ ├── docx_extractor.py # Docx提取（Day 3）
│ ├── txt_extractor.py # Txt提取（Day 3）
│ ├── language_detector.py # 语言检测（Day 2）
│ └── file_utils.py # 文件工具
└── tests/ # 测试文件（待添加）
开发计划
✅ Day 1（已完成）
- FastAPI项目搭建
- PyMuPDF集成
- PDF文本提取功能
- 健康检查API
⏳ Day 2（进行中）
- 安装Nougat
- 语言检测功能
- Nougat提取逻辑
- 顺序降级机制
⏳ Day 3
- Docx提取（Mammoth）
- Txt提取（多编码）
- 文件格式验证
依赖说明
| 库 | 版本 | 用途 |
|---|---|---|
| fastapi | 0.104.1 | Web框架 |
| uvicorn | 0.24.0 | ASGI服务器 |
| PyMuPDF | 1.23.8 | PDF文本提取 |
| pdfplumber | 0.10.3 | PDF语言检测 |
| mammoth | 1.6.0 | Docx提取 |
| langdetect | 1.0.9 | 语言检测 |
| loguru | 0.7.2 | 日志管理 |
性能指标
| 操作 | 目标时间 |
|---|---|
| 20页PDF（PyMuPDF） | <30秒 |
| 10页Docx | <10秒 |
| 1MB Txt | <5秒 |
常见问题
Q: PyMuPDF安装失败？
A: 确保Python版本>=3.8，使用pip安装：pip install PyMuPDF
Q: 服务无法启动？
A: 检查端口8000是否被占用，可修改.env中的SERVICE_PORT
Q: 临时文件在哪里？
A: 默认在/tmp/extraction_service目录，可通过TEMP_DIR环境变量配置
License
MIT