| name | format_detector |
| description | 接入资源格式识别工具。读取单个文件或目录中的接入资源，识别文本、表格、文档、图像、HTML、数据或未知类型，输出带推荐处理路由的格式识别结果文件。
当用户提到格式识别、资源类型预判、采集入口分流、为文本/表格/文档/图像/HTML 选择后续处理路径等需求时使用此 skill。
即使用户没有明确说出"格式识别"，只要任务涉及在采集入口判断文件类型并分配推荐处理路由，就应该使用此 skill。
不负责读取正文内容、提取图像元信息、表格采集、文档解析、格式转换或实际执行后续处理。
|
| name_zh | 采集基础格式识别算子 |
| input_params | [{"name":"input","type":"string","required":true,"description":"输入文件或目录路径"},{"name":"output","type":"string","required":true,"description":"输出文件路径（格式识别结果）"},{"name":"recursive","type":"string","required":false,"default":"False","description":"是否递归扫描子目录"},{"name":"output_format","type":"string","required":false,"default":"jsonl","description":"输出格式，支持 jsonl/json/csv/auto"}] |
| output_params | [{"name":"output","type":"jsonl_file","description":"格式识别结果文件"}] |
| tag | 数据筛选 |
| publisher | COMMUNITY |
Format Detector 格式识别 Skill
功能概述
本 skill 用于在采集入口扫描文件资源，按扩展名和轻量内容特征识别资源基础类型，并输出推荐后续处理路由。
触发条件
当用户请求以下任务时，应使用此 skill：
- 识别文件格式
- 判断资源是文本、表格、文档、图像、HTML 还是数据文件
- 为采集入口资源分配后续处理路由
- 对混合目录做格式预识别
- 降低异构资源进入流水线后的适配冲突
不适用于正文采集、图像元信息提取、表格读取、文档解析、格式转换或实际执行后续处理；这些任务需要使用对应的采集、解析或转换 skill。
核心参数说明
必需参数
| 参数 | 说明 |
|---|
--input | 输入文件或目录路径 |
--output | 输出文件路径（格式识别结果） |
可选参数
| 参数 | 说明 | 默认值 |
|---|
--recursive | 是否递归扫描子目录 | False |
--output_format | 输出格式，支持 jsonl、json、csv、auto | jsonl |
输入文件格式
输入可以是单个文件，也可以是包含多类文件的目录。目录模式会扫描所有普通文件并输出格式识别记录。
input_dir/
notes.txt
station_table.csv
report.pdf
image.png
payload.json
nested/raw.bin
使用方法
递归识别目录并输出 JSONL
python scripts/run_format_detector.py \
--input ./input_dir \
--output ./format_detector_output.jsonl \
--recursive true \
--output_format jsonl
识别单个文件并输出 JSON
python scripts/run_format_detector.py \
--input ./notes.txt \
--output ./format_detector_output.json \
--output_format json
处理示例
| 输入文件 | 识别类型 | 推荐路由 |
|---|
notes.txt | text | text_collector |
station_table.csv | table | table_collector |
report.pdf | document | pdf_collector |
image.png | image | image_collector |
payload.json | data | content_parser |
page.html | html | content_parser |
raw.bin | unknown | manual_review |
输出示例
{"file_path": "notes.txt", "filename": "notes.txt", "extension": ".txt", "category": "text", "content_format": "plain_text", "recommended_route": "text_collector", "file_size": 128, "detected_at": "2026-06-12 14:00:00"}
环境要求
使用仓库内 Python 环境运行；Windows bash 下建议加 PYTHONIOENCODING=utf-8 避免中文控制台编码问题。脚本仅使用 Python 标准库。
注意事项
- 本 skill 只做格式识别和推荐路由，不读取完整正文或执行后续处理。
--recursive false 时只扫描输入目录第一层文件。file_path 输出为相对输入根目录路径，不能包含本地绝对路径。- 未识别扩展名会归类为
unknown，推荐路由为 manual_review。
