document-import

Document import

Источник: PDF / DOCX / PPTX / RTF / Markdown. Цель: вытащить контент в структурированном виде — иерархия (h1/h2/h3) + текст + изображения + cite.

PDF

Через pdf-parse (Node)

npm i pdf-parse

const pdf = require('pdf-parse');
const fs = require('fs');
const data = await pdf(fs.readFileSync('source.pdf'));
console.log(data.text);   // весь текст
console.log(data.numpages);
console.log(data.info);   // metadata

Через poppler (CLI)

brew install poppler  # mac
sudo apt-get install poppler-utils  # linux

pdftotext -layout source.pdf source.txt
pdfimages -all source.pdf images/img    # извлекает картинки
pdfinfo source.pdf                       # metadata

Через Read tool

Claude Code умеет читать PDF напрямую через Read (если PDF до 10 страниц, или pages: "1-5" для длинных).

DOCX

pip install python-docx

from docx import Document
doc = Document('source.docx')
for p in doc.paragraphs:
    style = p.style.name  # "Heading 1", "Heading 2", "Normal"
    print(f"[{style}] {p.text}")
for table in doc.tables:
    for row in table.rows:
        print([cell.text for cell in row.cells])

Достоинство python-docx: знает styles (h1/h2/h3) которые юзер реально выставил, не парсит «больший шрифт = заголовок».

PPTX

pip install python-pptx

from pptx import Presentation
prs = Presentation('source.pptx')
for i, slide in enumerate(prs.slides, 1):
    for shape in slide.shapes:
        if shape.has_text_frame:
            for para in shape.text_frame.paragraphs:
                print(f"slide {i}: {para.text}")
        elif shape.shape_type == 13:  # Picture
            print(f"slide {i}: image, {shape.image.size}")

Sketch (legacy)

.sketch — это zip с JSON внутри:

unzip source.sketch -d sketch-extracted/
ls sketch-extracted/pages/    # JSON каждой страницы
ls sketch-extracted/images/   # PNG ассеты

JSON структура complex — лучше поискать sketchtool (Sketch CLI):

sketchtool list pages source.sketch    # список страниц
sketchtool export artboards source.sketch --output=exports/   # все артборды как PNG

Структурирование вывода

После парсинга → выдаёшь юзеру content-tree:

title: "AI in Banking — Trends 2026"
sections:
  - h1: "Executive Summary"
    text: "Three trends will reshape banking..."
    citations: ["McKinsey 2026", "Gartner Q1"]
  - h1: "Trend 1: Agentic AI"
    h2: "What it is"
    text: "..."
    images:
      - path: "images/img-001.png"
        caption: "AI agent architecture"
    h2: "Why now"
    text: "..."

Дальше — этот content-tree feed'ишь в slides или interactive-prototype как рабочий контент.

Извлечение по типам

Pitch deck из PRD (Word/PDF)

• h1 → новый слайд
• bullet lists → bullets на слайде
• tables → table-slide или chart placeholder
• images → как есть на слайды

Landing из brief

• Executive summary → hero text
• «Why» секция → problem-solution
• «Who» → target audience block
• Numbers → metrics row
• Quote → testimonial

Slides из manifesto

• Цитаты → отдельные slide-cards
• Manifesto text → split на 5-7 слайдов с одной мыслью каждая
• «Не делать X» → антипаттерн-секция

Качество текста

Если PDF — скан (изображения), pdftotext вернёт мусор. Признаки:

• Текст с randomized символами
• 30%+ слов невалидные
• Много пробелов / переносов

В этом случае → OCR (см. отдельный скилл ocr-restore если есть, или внешний tesseract).

Изображения из документов

• Вытащил → положи в uploads/source-<doc-name>/img-NNN.png
• В content-tree укажи путь
• На слайдах используй с подписью
• Не используй автоматически low-res scan'ы — они выглядят плохо. Лучше плейсхолдер с описанием.

Антипаттерны

• Импортить весь документ как «один длинный текст» → теряется структура
• Парсить PDF где текст — это картинки → получаешь шум
• Использовать regex для headers вместо styles → ловишь bold-paragraph как h1
• Игнорировать таблицы → теряешь часто самый ценный контент
• Не сохранять source-документ в uploads/originals/ → теряется provenance
• Делать lossy преобразование (PDF → текст → slides) на больших docs → лучше через структурированный middle (content-tree YAML/JSON)