feat: 文件入库 — docx/xlsx/pdf/csv 经 mcp-py 解析 → RAG

入库从纯文本升级为多文件类型：解析(mcp-py 算法层)与切块/embedding 解耦。
上传文件 → Gateway 按类型路由 → mcp-py parse_document 解析为文本 → kb_ingest。

- mcp-py: parsers.py(docx=python-docx / xlsx=openpyxl / pdf=pypdf / csv / txt→文本)；
  parse_document 工具做真(base64 文件→文本，线程池跑 CPU 密集解析)；pyproject 加依赖
- gateway: POST /api/v1/kb/ingest_file(multipart)；parseFile 文本类直读、office/pdf→mcp-py
- nats-server.conf: max_payload 8MB(容纳 base64 文件经工具调用；大文件应走对象存储)
- frontend: KbView 加文件上传(accept docx/xlsx/pdf/csv...)；api.ingestFile
- 验证: 全模块 build✓ + e2e PASS; live——4 类文件上传→mcp-py 解析→入库→检索命中:
  docx(营收报告)/xlsx(销量表行)/pdf(Q2计划)/csv(城市人口) 全部正确
- 边界: 扫描件/版面 OCR(MinerU/PaddleOCR)推迟；大文件 base64 走 NATS 受 max_payload
  限，生产应走对象存储(MinIO)

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

sundynix-mcp-py/pyproject.toml

@@ -7,7 +7,10 @@ dependencies = [
     "mcp>=1.2.0",          # MCP 协议
     "nats-py>=2.7.0",      # 接入 NATS 骨干网
     "docker>=7.1.0",       # Docker 隔离沙箱 / Code Interpreter
-    # "magic-pdf",         # MinerU 多模态解析 (PaddleOCR)，按需安装
+    "python-docx>=1.1.0",  # Word 解析
+    "openpyxl>=3.1.0",     # Excel 解析
+    "pypdf>=4.0.0",        # PDF 文本解析
+    # "magic-pdf",         # MinerU 多模态解析 (PaddleOCR)，扫描件 OCR，按需安装
 ]
 
 [build-system]

sundynix-mcp-py/src/sundynix_mcp_py/mcp_gateway.py

@@ -98,9 +98,18 @@ class McpGateway:
         return f"[run_code] Docker 隔离执行(桩) stdout={result.get('stdout','')!r}"
 
     async def _parse_document(self, args: dict) -> str:
-        path = str(args.get("path", ""))
-        result = await self.parser.parse(path)  # MinerU / PaddleOCR（桩）
-        return f"[parse_document] MinerU 解析(桩) path={result.get('path','')!r} blocks={len(result.get('blocks', []))}"
+        """文件 → 纯文本。content_b64=文件内容(base64)，filename 决定解析器。"""
+        import base64
+
+        from . import parsers
+
+        filename = str(args.get("filename", ""))
+        content_b64 = str(args.get("content_b64", ""))
+        if not content_b64:
+            return str(args.get("text", ""))
+        data = base64.b64decode(content_b64)
+        # 解析是 CPU 密集，丢到线程池避免阻塞事件循环。
+        return await asyncio.to_thread(parsers.parse, filename, data)
 
     async def _secure_sandbox(self, args: dict) -> str:
         code = str(args.get("code", ""))

sundynix-mcp-py/src/sundynix_mcp_py/parsers.py

@@ -0,0 +1,65 @@
+"""文档解析：各类文件 → 纯文本（供 RAG 切块/embedding）。
+按扩展名路由：txt/md/csv 直读；docx(python-docx)；xlsx(openpyxl)；pdf(pypdf)。
+扫描件/版面 OCR(MinerU/PaddleOCR) 为后续。
+"""
+
+from __future__ import annotations
+
+import csv
+import io
+
+
+def parse(filename: str, data: bytes) -> str:
+    ext = filename.lower().rsplit(".", 1)[-1] if "." in filename else ""
+    if ext in ("txt", "md", "markdown", "text", ""):
+        return data.decode("utf-8", errors="replace")
+    if ext == "csv":
+        return _csv(data)
+    if ext == "docx":
+        return _docx(data)
+    if ext == "xlsx":
+        return _xlsx(data)
+    if ext == "pdf":
+        return _pdf(data)
+    raise ValueError(f"暂不支持的文件类型: .{ext}")
+
+
+def _csv(data: bytes) -> str:
+    text = data.decode("utf-8", errors="replace")
+    rows = list(csv.reader(io.StringIO(text)))
+    return "\n".join(" | ".join(r) for r in rows if any(c.strip() for c in r))
+
+
+def _docx(data: bytes) -> str:
+    from docx import Document  # python-docx
+
+    doc = Document(io.BytesIO(data))
+    lines: list[str] = [p.text for p in doc.paragraphs if p.text.strip()]
+    for table in doc.tables:
+        for row in table.rows:
+            cells = [c.text.strip() for c in row.cells]
+            if any(cells):
+                lines.append(" | ".join(cells))
+    return "\n".join(lines)
+
+
+def _xlsx(data: bytes) -> str:
+    from openpyxl import load_workbook
+
+    wb = load_workbook(io.BytesIO(data), read_only=True, data_only=True)
+    lines: list[str] = []
+    for ws in wb.worksheets:
+        lines.append(f"# 工作表: {ws.title}")
+        for row in ws.iter_rows(values_only=True):
+            cells = [str(c) for c in row if c is not None]
+            if cells:
+                lines.append(" | ".join(cells))
+    return "\n".join(lines)
+
+
+def _pdf(data: bytes) -> str:
+    from pypdf import PdfReader
+
+    reader = PdfReader(io.BytesIO(data))
+    pages = [(page.extract_text() or "").strip() for page in reader.pages]
+    return "\n\n".join(p for p in pages if p)