Polaris AI DataInsight — 文档提取技能

使用 Polaris AI DataInsight 文档提取 API，从 Word、PowerPoint、Excel、HWP 和 HWPX 文件中提取文本、图片、表格、图表、形状、公式等内容，并以结构化的 unifiedSchema JSON 格式返回所有内容。单次 API 调用即可获取完整的文档结构，无需手动解析。

何时使用此技能

• - 用户需要从 DOCX、PPTX、XLSX、HWP 或 HWPX 文件中提取文本、表格、图表或图片
• 用户需要了解文档结构（页数、元素类型、位置数据等）
• 提取的数据将用于 RAG 流水线、数据分析工作流或自动化任务
• 需要将表格数据转换为 CSV，或将图表数据分解为系列和标签
• 用户需要解析页眉、页脚、公式或形状等特殊元素

此技能的功能

1. 1. 身份验证 — 通过 x-po-di-apikey 标头向 Polaris DataInsight API 进行身份验证。
2. 上传并提取 — 以 multipart/form-data POST 请求发送文件，提取完整的文档结构。
3. 解析 ZIP 响应 — API 返回 ZIP 文件；解压并加载其中的 unifiedSchema JSON。
4. 交付结构化数据 — 返回按页面和元素类型（文本、表格、图表、图片、形状、公式等）组织的 JSON。
5. 支持多种使用模式 — 处理全文提取、表格转 CSV、RAG 分块生成等。

使用方法

前提条件

获取 API 密钥：在 https://datainsight.polarisoffice.com 注册并生成您的 API 密钥。

身份验证：在每个请求中将 API 密钥作为标头包含。

标头: x-po-di-apikey: $POLARISDATAINSIGHTAPI_KEY

设置环境变量：

bash
export POLARISDATAINSIGHTAPI_KEY=your-api-key-here

限制

基本用法

端点：

POST https://datainsight-api.polarisoffice.com/api/v1/datainsight/doc-extract

使用 Python 提取文档：

python
import requests
import json
import zipfile
import io

def extractdocument(filepath: str, api_key: str) -> dict:
with open(file_path, rb) as f:
response = requests.post(
https://datainsight-api.polarisoffice.com/api/v1/datainsight/doc-extract,
headers={x-po-di-apikey: api_key},
files={file: f}
)

if response.status_code != 200:
raise Exception(fAPI 错误: {response.status_code} - {response.text})

# 响应是一个 ZIP 文件
zip_buffer = io.BytesIO(response.content)
with zipfile.ZipFile(zip_buffer) as z:
json_files = [name for name in z.namelist() if name.endswith(.json)]
if json_files:
with z.open(json_files[0]) as jf:
return json.load(jf)

raise Exception(ZIP 中未找到 JSON)

示例用法

使用 curl 提取：

bash
curl -X POST https://datainsight-api.polarisoffice.com/api/v1/datainsight/doc-extract \
-H x-po-di-apikey: $POLARISDATAINSIGHTAPI_KEY \
-F file=@example.docx \
--output result.zip

unzip result.zip -d result/
cat result/*.json | python -m json.tool

高级用法

响应结构 (unifiedSchema)

根节点：

json
{
docName: sample.docx,
totalPages: 3,
pages: [ ... ]
}

页面 (pages[])：

json
{
pageNum: 1,
pageWidth: 595.3,
pageHeight: 842.0,
extractionSummary: {
text: 5, image: 2, table: 1, chart: 1
},
elements: [ ... ]
}

元素类型 (elements[].type)：

通用元素结构：

json
{
type: text,
id: te1,
boundaryBox: { left: 40, top: 80, right: 300, bottom: 120 },
content: { text: 此处为正文内容 }
}

表格内容：

json
{
content: {
html:

图表内容：

json
{
content: {
chart_type: column,
title: 年度销售对比,
xaxislabels: [Q1, Q2, Q3, Q4],
series_names: [2023, 2024],
series_values: [[100, 200, 150, 300], [120, 220, 180, 320]],
csv: Quarter,2023,2024\nQ1,100,120\nQ2,200,220
}
}

使用模式

提取所有文本：

python
def getalltext(schema: dict) -> str:
texts = []
for page in schema.get(pages, []):
for el in page.get(elements, []):
if el[type] == text and el.get(content, {}).get(text):
texts.append(el[content][text])
return \n.join(texts)

提取表格为 CSV：

python
def gettablesas_csv(schema: dict) -> list:
tables = []
for page in schema.get(pages, []):
for el in page.get(elements, []):
if el[type] == table:
csv_data = el.get(content, {}).get(csv, )
if csv_data:
tables.append(csv_data)
return tables

生成 RAG 分块：

python
def makeragchunks(schema: dict) -> list:
chunks = []
doc_name = schema.get(docName, )
for page in schema.get(pages, []):
for el in page.get(elements, []):
text = el.get(content, {}).get(text) or el.get(content, {}).get(csv) or
if text.strip():
chunks.append({
source: doc_name,
page: page[pageNum],
type: el[type],
text: text.strip()
})
return chunks

示例

用户： 从这份 DOCX 报告中提取所有表格数据为 CSV。

输出：

python
import os
schema = extractdocument(report.docx, os.environ[POLARISDATAINSIGHTAPIKEY])
tables = gettablesas_csv(schema)
for i, csv_data in enumerate(tables):
print(f=== 表格 {i+1} ===)
print(csv_data)

=== 表格 1 ===
Quarter,Revenue,Cost
Q1,1200,800
Q2,1500,900

=== 表格 2 ===
Item,Amount
Labor,500
Operations,300

灵感来源： Polaris Office DataInsight API 文档和工作流。

提示

• - 响应始终是一个 ZIP 文件。不要尝试直接解析 response.content 为 JSON — 先使用 zipfile.ZipFile 解压。