文档解析不是把文件简单转成一段纯文本。政务材料常见页眉页脚、多栏排版、扫描图像、跨页表格和公式；如果结构在入库时丢失，后续检索就难以准确定位依据。晨羽智脑按文件类型选择解析链路，将原文、页码、结构化片段和可视内容一起纳入知识处理流程。
当前支持的文件入口
| 类别 | 扩展名 | 处理方式 |
|---|---|---|
| 文本与版面解析，必要时结合视觉模型处理页面内容 | ||
| 文字文档 | .docx、.doc、.wps | 现代格式直接解析；旧格式与 WPS 二进制格式先离线转换 |
| 演示文稿 | .pptx、.ppt、.dps | 逐页提取文字与页面内容，旧格式先离线转换 |
| 电子表格 | .xlsx、.xls、.et、.csv | 提取工作表并物化为可查询的数据表 |
| 图片 | .png、.jpg、.jpeg | 通过视觉模型识别页面文字与版面内容 |
| 纯文本 | .txt、.md | 保留正文并进入统一切分、索引流程 |
格式支持以当前产品版本的上传白名单为准。加密、损坏或使用特殊编码的文件可能需要预处理；建议在项目验收前用真实样本建立测试集。
从上传到可检索内容
- 识别文件类型。根据扩展名与文件内容选择原生解析、离线转换或视觉解析链路，避免把旧版 Office 文件误当作现代 OOXML。
- 恢复结构。按页面和内容块处理标题、正文、表格、公式与图像区域，并保留原始文件和页面关系。
- 形成知识片段。将解析结果切分、生成索引并写入知识库；电子表格同时形成可精确查询的数据表。
- 回到原文核验。问答或审核结果可携带来源，让使用者回看材料，而不是只接受模型生成的结论。
适合哪些材料
政策与制度文件
将规范性文件、办事指南和内部制度统一入库，支持按权限检索并查看出处。
历史扫描档案
对清晰度不一的扫描 PDF 或图片进行视觉解析，让原本不可搜索的页面进入知识库。
台账与统计表
保留工作表结构并转成数据表，为数量、汇总和筛选问题提供计算依据。
如何评估解析效果
不要只看单页演示。应从真实业务中抽取文字型 PDF、扫描 PDF、复杂表格、公式、多栏版面和低清晰度页面，分别检查文字正确性、阅读顺序、表格结构、页码关联和失败恢复。晨羽智脑会保留失败状态并支持重新解析，便于在验收中逐类定位问题。