X2Knowledge - 知识提取器工具

拖拽文件到此处或选择文件

支持的文件类型: .doc, .docx, .xls, .xlsx, .ppt, .pptx, .pdf, .txt, .md, .xml

注意: 处理旧版Word文档(.doc)可能需要更长时间，建议转换为.docx格式后上传

OCR功能: 自动识别文档中的图片文字

编码功能: 自动将文档转换为UTF-8编码，解决中文乱码问题

使用 MarkItDown 转换器 (默认)

对原生Office格式文件（DOCX, XLSX, PPTX）支持非常好，速度快、准确率高，但对PDF格式文件效果较差
支持的文件格式：PDF、DOCX、PPTX、XLSX、XLS、CSV、JSON、XML、WAV、MP3

使用 Docling 转换器

对PDF有优化的表格识别和VLM，准确率大大提升，支持更多输入格式，但需要CUDA环境最佳（当前使用CPU加速）且时间较长，不建议在本测试环境使用！
支持的文件格式：PDF、DOCX、XLSX、PPTX、Markdown、AsciiDoc、HTML、XHTML、CSV、PNG、JPEG、TIFF、BMP

使用 Docling 转换器（带图片）

目前仅支持PDF、DOCX识别图文将识别的图片存储在/static/images/目录下，请及时清理
支持的文件格式：PDF、DOCX

拖拽文件到此处或选择文件

注意: 转换为Markdown格式可以更好地保留文档结构

Markdown功能: 保留文档标题、列表、表格等结构

输入网页URL：

移除页眉和页脚

CSS选择器（可选）：输入CSS选择器来提取特定内容

查看选择器教程

将网页内容转换为结构化的Markdown格式，保留原始内容的结构、链接和图片。

提示：移除页眉页脚选项可以帮助您获取更干净的主要内容。

选择器提示：使用CSS选择器（如 #content, .article, main）可以精确提取页面中的特定内容。

Markdown知识库入库预处理

将Markdown文件或文本处理为JSON和CSV格式的问答对，用于知识库入库前的数据准备。

处理规则说明：

将标题(#)收集为question，标题下的所有文本内容收集为answer，直到下一个标题的出现
如果是二级及以上标题，问题标题会拼接上级标题，格式为"{上级标题},{当前标题}"
只有包含内容的标题会被处理，空标题会被忽略

示例：

原始Markdown：

# 一、项目介绍
X2Knowledge 是一个高效的开源知识提取器工具

## 1.项目架构图
![设计示意图](data:image/png;base64...)

## 2.功能特点
* **多种转换引擎**
  + **MarkItDown**：针对Office文档优化，速度快、效率高

生成的JSON：

[
  {
    "question": "一、项目介绍",
    "answer": "X2Knowledge 是一个高效的开源知识提取器工具"
  },
  {
    "question": "一、项目介绍,1.项目架构图",
    "answer": "![设计示意图](data:image/png;base64...)"
  },
  {
    "question": "一、项目介绍,2.功能特点",
    "answer": "* **多种转换引擎**\n  + **MarkItDown**：针对Office文档优化，速度快、效率高"
  }
]

方法使用说明：

POST请求： /preprocess-for-storage 具体参数见swagger页面的调用方法
该方法仅适用于Markdown文件，其他格式文件请使用其他方法
同时文件中至少包含一个标题，否则内容为空

语法	示例	描述
`#id`	`#content`	选择ID为"content"的元素
`.class`	`.article`	选择所有class为"article"的元素
`tag`	`main`	选择所有<main>标签元素
`tag.class`	`div.content`	选择所有class为"content"的div元素
`*`	`*`	选择所有元素（不推荐使用）

语法	示例	描述
`parent > child`	`article > p`	选择所有父元素为<article>的<p>元素
`ancestor descendant`	`article p`	选择所有位于<article>内的<p>元素
`[attribute]`	`[role="main"]`	选择所有具有role="main"属性的元素
`:first-child`	`li:first-child`	选择每个父元素的第一个<li>子元素
`selector1, selector2`	`main, .content, #article`	同时选择多个元素，用逗号分隔

网站类型	推荐选择器	提取内容
博客文章	`article, .post, .entry-content, #content`	提取文章正文，跳过评论和侧边栏
新闻网站	`.article-body, .story-body, [itemprop="articleBody"]`	提取新闻正文，跳过相关新闻和广告
技术文档	`main, .main-content, .documentation, .markdown-body`	提取文档内容，跳过导航菜单
论坛帖子	`.thread-content, .post-message, .message-body`	提取帖子内容，跳过回复和侧边栏
产品页面	`.product-description, #product-details, [itemprop="description"]`	提取产品描述，跳过推荐产品

X2Knowledge - 知识提取器工具

Markdown知识库入库预处理

处理规则说明：

示例：

原始Markdown：

生成的JSON：

方法使用说明：

转换结果

预览内容

API Test

Markdown知识库入库预处理

处理规则说明：

示例：

原始Markdown：

生成的JSON：

方法使用说明：

转换结果

预览内容

CSS选择器使用教程

基础CSS选择器

高级CSS选择器

常用网站内容提取示例

如何找到正确的选择器