文本提取

定义

LLM 自身无法直接读取或解释文档的内容。因此需要将用户上传的文档，通过文档提取器节点解析并读取文档文件中的信息，转化文本之后再将内容传给 LLM 以实现对于文件内容的处理。

应用场景

• 构建能够与文件进行互动的 LLM 应用，例如 ChatPDF 或 ChatWord；

• 分析并检查用户上传的文件内容；

节点功能

文档提取器节点可以理解为一个信息处理中心，通过识别并读取输入变量中的文件，提取信息后并转化为 string 类型输出变量，供下游节点调用。

文档提取器节点结构分为输入变量、文档解析服务、图片解析、拆页提取、输出变量。

输入变量

文档提取器仅接受以下数据结构的变量：

• File，单独一个文件

• Array[File]，多个文件

文档提取器仅能够提取文档类型文件中的信息，例如 TXT、Markdown、PDF、HTML、DOCX 格式文件的内容，无法处理图片、音频、视频等格式文件，选择文件需要小于 100M 。

文档解析服务

默认展示模型管理-模型配置页面上选择的文档解析服务选项，文档解析服务功能：把文本转换为 Markdown 格式，保留文档的标题层级、表格、列表等结构信息，便于下游节点对内容进行结构化处理。

支持以下两种解析方式：

• 默认解析：使用系统内置的文档解析引擎，适用于格式规范的 TXT、Markdown、HTML、DOCX 等文档，解析速度快，无需额外配置。

• 自定义解析服务：在模型管理-模型配置页面配置第三方文档解析服务（如 azure_document_intelligence、deepseek等），适用于复杂排版的 PDF 或含有大量表格、图表的文档，解析精度更高。

图片解析

图片解析功能用于提取上传文档中嵌入的图片内容，将图片信息转化为文字描述后合并至文档文本输出，使 LLM 能够理解文档中的图表、截图等视觉信息。

开启图片解析后，需配置以下两项参数：

• 文件图像处理模型：选择具备图像识别能力的多模态推理模型（如 GPT-4o、Claude 3 等），用于解析文档中嵌入图片的内容。可通过调整模型参数（如 temperature、max_tokens）来控制图像描述的详细程度与准确性。

• 图像分析提示词：为图像处理模型编写专属提示词，引导模型按照预期方式描述图片内容。例如，针对流程图可提示"请详细描述图中的流程步骤和节点关系"，针对数据图表可提示"请提取图中的数据指标和趋势信息"。

拆页提取

当只需要提取文件中某一页码区间的内容时，可开启拆页提取功能，避免处理无关内容造成资源浪费。

开启后，上传文件时可点击预览查看文件内容，确定目标页码范围后填入起止页数。

点击提取后节点将仅处理指定范围内的页面内容。

输出变量

输出变量固定命名为 text。输出的变量类型取决于输入变量：

• 输入变量为 File，输出变量为 string

• 输入变量为 Array[File]，输出变量为 array[string]

Array 数组变量一般需配合列表操作节点使用