nutrient-document-processing

# Nutrient Document Processing # Nutrient 文档处理 <!-- 【教学说明】 这个技能提供了处理各种文档格式的完整工具集。 就像一个"瑞士军刀"——一个工具就能做所有文档相关的事情。 Nutrient DWS API 是一个强大的文档处理服务，可以通过简单的 API 调用完成： - 转换格式（PDF ↔ Word ↔ Excel） - OCR（扫描文档转文字） - 提取文本和表格 - 脱敏敏感信息 - 添加水印 - 数字签名 - 填写 PDF 表单 --> 使用 [Nutrient DWS Processor API](https://www.nutrient.io/api/) 处理文档。转换格式、提取文本和表格、OCR 扫描文档、脱敏 PII、添加水印、数字签名和填写 PDF 表单。 ## 设置 <!-- 【教学说明】 首先需要获取 API Key——免费版就有足够的配额。 --> 在 **[nutrient.io](https://dashboard.nutrient.io/sign_up/?product=processor)** 获取免费 API Key ```bash export NUTRIENT_API_KEY="pdf_live_..." ``` **所有请求都发送到** `https://api.nutrient.io/build`，作为 multipart POST，带有 `instructions` JSON 字段。 **什么是 multipart POST？** 一种 HTTP 请求格式，可以同时发送文件和 JSON 数据。 ## 操作示例 ### 转换文档 <!-- 【教学说明】 格式转换是最常见的用例——将 Word 转 PDF，PDF 转 Word 等。 --> ```bash # DOCX 转 PDF curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.docx=@document.docx" \ -F 'instructions={"parts":[{"file":"document.docx"}]}' \ -o output.pdf # PDF 转 DOCX curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"output":{"type":"docx"}}' \ -o output.docx # HTML 转 PDF curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "index.html=@index.html" \ -F 'instructions={"parts":[{"html":"index.html"}]}' \ -o output.pdf ``` **支持的输入格式：** PDF, DOCX, XLSX, PPTX, DOC, XLS, PPT, PPS, PPSX, ODT, RTF, HTML, JPG, PNG, TIFF, HEIC, GIF, WebP, SVG, TGA, EPS **常见转换：** - DOCX → PDF（生成最终版本） - PDF → DOCX（编辑现有 PDF） - HTML → PDF（生成报告） - 图片 → PDF（扫描件合并） ### 提取文本和数据 <!-- 【教学说明】 从 PDF 中提取文本或表格，用于数据分析或索引。 --> ```bash # 提取纯文本 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"output":{"type":"text"}}' \ -o output.txt # 提取表格为 Excel curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"output":{"type":"xlsx"}}' \ -o tables.xlsx ``` **使用场景：** - 从发票中提取数据 - 分析报告内容 - 索引 PDF 搜索 - 将表格导入数据库 ### OCR 扫描文档 <!-- 【教学说明】 OCR（光学字符识别）将扫描的图片或 PDF 转换为可搜索的文本。 --> ```bash # OCR 为可搜索 PDF（支持 100+ 种语言） curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "scanned.pdf=@scanned.pdf" \ -F 'instructions={"parts":[{"file":"scanned.pdf"}],"actions":[{"type":"ocr","language":"english"}]}' \ -o searchable.pdf ``` **语言支持：** 100+ 种语言，通过 ISO 639-2 代码（例如 `eng`、`deu`、`fra`、`spa`、`jpn`、`kor`、`chi_sim`、`chi_tra`、`ara`、`hin`、`rus`）。完整语言名如 `english` 或 `german` 也可以。 **常见语言代码：** - `eng` / `english` - 英语 - `chi_sim` / `chinese_simplified` - 简体中文 - `chi_tra` / `chinese_traditional` - 繁体中文 - `jpn` / `japanese` - 日语 - `kor` / `korean` - 韩语 - `deu` / `german` - 德语 - `fra` / `french` - 法语 - `spa` / `spanish` - 西班牙语 **什么是 OCR？** 光学字符识别——将图片中的文字转换为可编辑的文本。 ### 脱敏敏感信息 <!-- 【教学说明】 在分享文档前，删除敏感信息（如 SSN、邮箱、信用卡号）。 --> ```bash # 基于模式（SSN、邮箱） curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"actions":[{"type":"redaction","strategy":"preset","strategyOptions":{"preset":"social-security-number"}},{"type":"redaction","strategy":"preset","strategyOptions":{"preset":"email-address"}}]}' \ -o redacted.pdf # 基于正则表达式 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"actions":[{"type":"redaction","strategy":"regex","strategyOptions":{"regex":"\\b[A-Z]{2}\\d{6}\\b"}}]}' \ -o redacted.pdf ``` **预设类型：** `social-security-number`（SSN）、`email-address`（邮箱）、`credit-card-number`（信用卡）、`international-phone-number`（国际电话）、`north-american-phone-number`（北美电话）、`date`（日期）、`time`（时间）、`url`（链接）、`ipv4`、`ipv6`、`mac-address`、`us-zip-code`、`vin`（车辆识别码） **使用场景：** - 发布报告前删除个人数据 - 法律文档中的客户信息 - 医疗记录中的患者信息 - 财务报表中的账户号 ### 添加水印 <!-- 【教学说明】 水印标记文档状态（如草稿、机密）。 --> ```bash curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"actions":[{"type":"watermark","text":"CONFIDENTIAL","fontSize":72,"opacity":0.3,"rotation":-45}]}' \ -o watermarked.pdf ``` **可配置选项：** - `text`：水印文本 - `fontSize`：字体大小 - `opacity`：透明度（0-1） - `rotation`：旋转角度 **常见水印文本：** - "CONFIDENTIAL"（机密） - "DRAFT"（草稿） - "DO NOT COPY"（请勿复制） - "SAMPLE"（样品） ### 数字签名 <!-- 【教学说明】 数字签名证明文档的真实性和完整性。 --> ```bash # 自签名 CMS 签名 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "document.pdf=@document.pdf" \ -F 'instructions={"parts":[{"file":"document.pdf"}],"actions":[{"type":"sign","signatureType":"cms"}]}' \ -o signed.pdf ``` **什么是数字签名？** 加密签名证明： - 文档未被修改 - 签名者是真实的 - 签名时间是准确的 **使用场景：** - 合同签署 - 法律协议 - 财务报告 - 官方文件 ### 填写 PDF 表单 <!-- 【教学说明】 编程填写 PDF 表单，而不是手动输入。 --> ```bash curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "form.pdf=@form.pdf" \ -F 'instructions={"parts":[{"file":"form.pdf"}],"actions":[{"type":"fillForm","formFields":{"name":"Jane Smith","email":"jane@example.com","date":"2026-02-06"}}]}' \ -o filled.pdf ``` **使用场景：** - 批量生成表单 - 从数据库填写表单 - 自动化文档工作流 - 客户自助服务 ## MCP 服务器（替代方案） <!-- 【教学说明】 对于原生工具集成，使用 MCP 服务器而不是 curl。 --> 对于原生工具集成，使用 MCP 服务器： ```json { "mcpServers": { "nutrient-dws": { "command": "npx", "args": ["-y", "@nutrient-sdk/dws-mcp-server"], "env": { "NUTRIENT_DWS_API_KEY": "YOUR_API_KEY", "SANDBOX_PATH": "/path/to/working/directory" } } } } ``` **什么是 MCP 服务器？** Model Context Protocol 服务器——让 Claude Code 直接调用 Nutrient API，无需 curl。 **优势：** - 无需手动 curl 命令 - 直接在 Claude Code 中使用 - 自动错误处理 - 文件路径自动解析 ## 何时使用 <!-- 【教学说明】 这些是 Nutrient 最有用的场景。 --> - **转换格式**（PDF、DOCX、XLSX、PPTX、HTML、图像之间） - **从 PDF 提取**文本、表格或键值对 - **扫描文档或图像的 OCR** - **分享文档前脱敏 PII** - **为草稿或机密文档添加水印** - **数字签署合同或协议** - **编程填写 PDF 表单** ## 实际工作流示例 ### 工作流 1：处理扫描发票 ```bash # 1. OCR 扫描的发票 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "invoice.jpg=@invoice.jpg" \ -F 'instructions={"parts":[{"file":"invoice.jpg"}],"actions":[{"type":"ocr","language":"english"}],"output":{"type":"pdf"}}' \ -o invoice-searchable.pdf # 2. 提取文本用于分析 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "invoice-searchable.pdf=@invoice-searchable.pdf" \ -F 'instructions={"parts":[{"file":"invoice-searchable.pdf"}],"output":{"type":"text"}}' \ -o invoice.txt # 3. 提取表格为 Excel curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "invoice-searchable.pdf=@invoice-searchable.pdf" \ -F 'instructions={"parts":[{"file":"invoice-searchable.pdf"}],"output":{"type":"xlsx"}}' \ -o invoice-tables.xlsx ``` ### 工作流 2：准备法律文档 ```bash # 1. 脱敏敏感信息 curl -X POST https://api.nutrient.io/build \ -H "Authorization: Bearer $NUTRIENT_API_KEY" \ -F "contract.pdf=@contract.pdf" \ -F 'instructions={"parts":[{"file":"contract.pdf"}],"actions":[{"type":"redaction","strategy":"preset","strategyOptions":{"preset":"social-security-number"}},{"type":"redaction","strategy":"preset","strategyOptions":{"preset":"email-address"}}]}' \