Extractous MCP Server

用于通过extractous库从各种文件格式中提取文本的模型上下文协议（MCP）服务器。

特性

• 从多种文件格式（PDF、DOCX、HTML、带有OCR的图像、带有语音转文字的音频/视频）中提取文本
• 获取文件元数据以及提取的文本
• 支持MIME类型覆盖
• 列出支持的文件格式

安装

# 安装依赖
uv pip install -e .

# 或者使用pip
pip install extractous-mcp

使用方法

作为MCP服务器

# 运行服务器
extractous-mcp

# 或者直接运行
python -m extractous_mcp.server

可用工具

1. extract_text

   • 从文件中提取文本
   • 参数：file_path（必需），mime_type（可选）

2. extract_text_with_metadata

   • 从文件中提取文本和元数据
   • 参数：file_path（必需），mime_type（可选）

3. get_supported_formats

   • 获取支持的文件格式列表
   • 无参数

示例用法

# 从PDF文件中提取文本
extract_text("/path/to/document.pdf")

# 使用特定的MIME类型提取
extract_text("/path/to/file", mime_type="application/pdf")

# 获取带有元数据的文本
extract_text_with_metadata("/path/to/document.docx")

# 检查支持的格式
get_supported_formats()

支持的格式

• 文档：PDF、DOC、DOCX、RTF、ODT
• 电子表格：XLS、XLSX、ODS、CSV
• 演示文稿：PPT、PPTX、ODP
• 网页：HTML、HTM、XML
• 文本：TXT、MD、JSON、YAML、YML
• 图像：JPG、JPEG、PNG、TIFF、BMP、GIF（带OCR）
• 音频：MP3、WAV、FLAC、M4A、OGG（语音转文字）
• 视频：MP4、AVI、MOV、MKV、WEBM

开发

# 在开发模式下安装
uv pip install -e .

# 运行测试
python -m pytest tests/