AI导哈

文件内容提取转换服务

PDFExtractor是一个基于MCP协议的文件内容提取和HTML转换服务，支持多种文件格式，适用于文档处理和内容管理系统。

  • by RayenMalouche
  • HTML
  • 本地部署
  • 更新于
在 GitHub 查看 rayenmalouche/mcp-pdf-extractor-server-v2

使用说明

PDFExtractor MCP服务器

概述

这 PDFExtractor 是一个模型上下文协议（MCP）服务器，它从位于指定位置的文件（如PDF、Word、Markdown）中提取内容 file-to-extract 目录，并使用Apache Tika将内容转换为HTML。它采用Spring Boot、Jetty和MCP SDK构建，支持HTTP/SSE和STDIO传输协议，使其与Claude Desktop或MCP Inspector等MCP兼容客户端兼容。服务器公开了一个工具， extract-file-to-html，它接受文件名并以HTML格式返回提取的内容以及元数据。

该项目专为需要自动提取文件内容并将其转换为HTML的开发人员和系统而设计，适用于文档处理、内容管理或与AI助手集成等应用程序。

特性

  • 文件内容提取：使用Apache Tika从各种文件格式（PDF、DOCX、Markdown等）中提取文本和元数据。
  • HTML转换：使用Tika将提取的内容转换为HTML ToHTMLContentHandler.
  • MCP兼容性：使用同步工具支持MCP协议(extract-file-to-html)用于与MCP兼容的客户端集成。
  • 运输选项：支持HTTP/SSE（端口45452）和STDIO传输，以实现灵活集成。
  • REST端点：提供 /api/test-extract 用于通过HTTP POST测试文件提取的端点。
  • 健康检查：包括a /api/health 端点以验证服务器状态。
  • CORS支持：允许对测试端点进行跨源请求，从而促进基于web的测试。
  • 可配置目录：从可配置文件读取文件 file-to-extract 目录，指定于 application.properties.

先决条件

  • Java：版本21或更高版本。
  • 梅文：用于构建项目的3.6.0或更高版本。
  • 支持的文件格式：确保文件在 file-to-extract 目录采用Apache Tika支持的格式（例如PDF、DOCX、TXT、Markdown）。

安装

  1. 克隆存储库:

    git clone https://github.com/RayenMalouche/MCP-PDF-Extractor-server-v2.git
cd MCP-PDF-Extractor-server-v2

  2. 创建文件目录:

    • 服务器从中读取文件 file-to-extract 默认情况下为目录，如中所指定 application.properties.
    • 在项目根目录中创建此目录：
      mkdir file-to-extract
    • 将要提取的文件（例如PDF、Word文档）放置在此目录中。

  3. 构建项目:

    • 使用Maven构建项目：
      mvn clean install

配置

服务器配置在中定义 src/main/resources/application.properties:

spring.application.name=FileExtractMcpServer
file.directory=file-to-extract
  • spring.application.name：应用程序的名称。
  • file.directory：存储输入文件的目录（默认： file-to-extract).如果需要，更新此属性以更改目录路径。

运行服务器

服务器可以在两种模式下运行：HTTP/SSE或STDIO。

1. HTTP/SSE模式

  • 默认模式，适用于基于web或MCP Inspector的集成。
  • 运行服务器：
    mvn spring-boot:run
  • 对于可流式传输的HTTP（MCP检查器兼容性）：
    mvn spring-boot:run -- --streamable-http
  • 服务器启动于 http://localhost:45452 具有以下端点：
    • MCP端点: http://localhost:45452/ （或 /message 用于流式传输HTTP）。
    • SSE 终端: http://localhost:45452/sse.
    • 测试终点: http://localhost:45452/api/test-extract （POST）。
    • 健康检查: http://localhost:45452/api/health （获取/发布）。

2. STDIO模式

  • 适用于命令行或本地MCP客户端集成。
  • 运行服务器：
    mvn spring-boot:run -- --stdio

示例用法

使用MCP工具

  • 这 extract-file-to-html 该工具接受带有 filename 现场。
  • 示例请求（通过MCP客户端或HTTP POST发送到 /api/test-extract):
    {
  "filename": "example.pdf"
}
  • 示例使用 curl:
    curl -X POST http://localhost:45452/api/test-extract \
     -H "Content-Type: application/json" \
     -d '{"filename":"example.pdf"}'
  • 预期响应：
    {
  "status": "success",
  "message": "File content extracted successfully",
  "html": "<html>...</html>",
  "metadata": {
    "filename": "example.pdf",
    "contentType": "application/pdf"
  }
}
  • 如果找不到文件或提取失败，则返回错误响应：
    {
  "status": "error",
  "message": "Failed to extract file: File not found",
  "errorType": "IOException"
}

健康检查

  • 验证服务器状态：
    curl http://localhost:45452/api/health
  • 答复：
    {
  "status": "healthy",
  "server": "File Extract MCP Server",
  "version": "1.0.0"
}

项目结构

PDFExtractor/
├── src/
│   ├── main/
│   │   ├── java/com/mcp/RayenMalouche/pdf/v2/PDFExtractor/
│   │   │   ├── PdfExtractorApplication.java  # Main application with MCP server logic
│   │   │   ├── config/
│   │   │   │   ├── ConfigLoader.java        # Loads configuration from application.properties
│   │   ├── resources/
│   │   │   ├── application.properties        # Configuration file
│   ├── test/                                # Test sources (not included in this setup)
├── file-to-extract/                         # Directory for input files
├── pom.xml                                  # Maven configuration
├── README.md                                # This file

依赖项

  • Spring Boot：构建应用程序的框架(spring-boot-starter, spring-boot-starter-web).
  • 只有 Apache：用于文件解析和HTML转换(tika-core, tika-parsers-standard-package).
  • MCP-SDK：用于MCP协议支持(io.modelcontextprotocol.sdk:mcp).
  • 喷气：用于HTTP/SSE传输的嵌入式服务器(jetty-server, jetty-ee10-servlet).
  • 杰克逊：JSON处理(jackson-databind).

局限性

  • 图像处理：文档中的嵌入式图像（例如DOCX或PDF）在HTML输出中引用（例如。， src="embedded:image1.jpeg")但不直接供应。需要额外的逻辑来提取和提供图像（请参见 未来改进).
  • 样式：生成的HTML缺少CSS样式，这可能会影响渲染。， <b>, <i>)但对原始文档的视觉保真度有限。
  • 文件大小：由于Tika的解析和HTML转换开销，大文件可能会影响性能。
  • 支持格式：取决于Apache Tika的能力。支持常见格式（PDF、DOCX、TXT、Markdown），但特殊格式可能需要额外的Tika解析器。

未来改进

  • 图像支持：将嵌入的图像提取到目录中，并通过专用端点（例如。， /api/images/<filename>).
  • CSS样式：在HTML输出中包含默认样式表以改进呈现。
  • 链接验证：确保HTML输出中的目录和图形链接正确解析。
  • 分页：支持对大型文档进行流式或分页响应，以提高性能。
  • 元数据丰富：在响应中包含其他Tika元数据（例如字数、创建日期）。
  • 文件上传：添加端点以将文件上传到 file-to-extract 动态目录。

故障排除

  • 文件未找到错误:
    • 确保文件存在于 file-to-extract 目录。
    • 检查请求中的文件名是否完全匹配（区分大小写）。
  • 端口冲突:
    • 中频端口 45452 正在使用中，请在中更新端口 PdfExtractorApplication.java （行： connector.setPort(45452)).
  • Tika解析错误:
    • 验证Tika是否支持该文件格式。
    • 如果问题仍然存在，请将Tika依赖项更新到最新版本。
  • 配置问题:
    • 确保 application.properties 在...里 src/main/resources/.
    • 检查一下 file.directory 指向有效目录。

贡献

欢迎投稿！贡献：

  1. 分叉存储库。
  2. 创建要素分支(git checkout -b feature/YourFeature).
  3. 提交更改(git commit -m "Add YourFeature").
  4. 推到分支(git push origin feature/YourFeature).
  5. 打开一个pull请求。

请根据需要包括测试和更新文档。

联系

如有疑问或需要支持，请联系项目维护人员：

  • 名字穆罕默德·拉扬·马卢什
  • 电子邮件: rayenmalouche27@gmail.com

相关 MCP