后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载本篇以 xberg 仓库中自动生成的 C 语言 E2E 示例 format_pptx.md 为核心完整讲解如何通过 xberg-ffi 的 C ABI 接口以 JSON 描述 URI 输入并调用xberg_extract完成 PPTX 演示文稿的文本与元数据提取。读完后你将掌握 xberg C FFI 的 handle 生命周期管理、ExtractInput的 JSON 构造方式以及底层 PPTX 提取器在核心 crate 中的实现脉络。一、示例场景PPTX 演示文稿提取示例文档对应的测试夹具是 fixtures/format_specific/format_pptx.json它定义了一个端到端测试用例关键配置如下{ id: format_pptx, category: format_specific, description: PPTX presentation extraction using extract, call: extract, input: { mock_responses: [ { path: /pptx/simple.pptx, status_code: 200, headers: { content-type: application/vnd.openxmlformats-officedocument.presentationml.presentation }, body_file: ../test_documents/pptx/simple.pptx } ], extract_input: { kind: uri, uri: $mock_url/pptx/simple.pptx, mime_type: application/vnd.openxmlformats-officedocument.presentationml.presentation } }, assertions: [ { type: not_error } ] }从夹具可以看出三个要点输入类型为 URIkind: uri文档不在本地磁盘而是通过 HTTP 拉取。夹具用 mock 服务器在/pptx/simple.pptx路径上返回200并带上 PPTX 的标准 MIME 类型头测试代码中的 URI 用$mock_url占位符指向它生成的 C 示例中已替换为https://example.com/pptx/simple.pptx。MIME 类型必须与内容一致application/vnd.openxmlformats-officedocument.presentationml.presentation是 PPTX 的官方 MIME 类型xberg 会依据它路由到 PPTX 提取器。断言为not_error验证提取调用成功返回不进入错误路径这是该 E2E 用例的验收标准。二、C 示例代码逐行解析自动生成文档中的完整 C 程序如下可直接用于类型检查级别的验证level: typecheck#include assert.h #include stdint.h #include stdio.h #include stdlib.h #include string.h #include xberg.h int main(void) { XBERGAlefHandle input_handle xberg_extract_input_from_json({\kind\:\uri\,\mime_type\:\application/vnd.openxmlformats-officedocument.presentationml.presentation\,\uri\:\https://example.com/pptx/simple.pptx\}); XBERGAlefHandle result xberg_extract(input_handle, 0); xberg_extract_input_free(input_handle); xberg_extraction_result_free(result); return EXIT_SUCCESS; }2.1 用 JSON 构造 ExtractInputxberg_extract_input_from_json接收一段 JSON 字符串反序列化为ExtractInput。其实现位于 crates/xberg-ffi/src/lib.rspub unsafe extern C fn xberg_extract_input_from_json(json: *const c_char) - AlefHandle { catch_ffi_panic(0, || { clear_last_error(); if json.is_null() { set_last_error(1, Null pointer passed for JSON string); return 0; } // ... match serde_json::from_str::xberg::ExtractInput(c_str) { Ok(val) match insert_handle(val) { Ok(handle) handle, // ... }, Err(e) { set_last_error(2, e.to_string()); 0 } } }) }从源码结构看该函数有三层防御空指针检查、UTF-8 有效性检查、serde_json反序列化校验任何一步失败都返回0null handle并通过xberg_last_error_code/xberg_last_error_context暴露错误码与上下文。JSON 中的三个字段对应ExtractInput的 URI 变体字段含义本例取值kind输入类型uri或bytesuriuri远程文档地址https://example.com/pptx/simple.pptxmime_type内容 MIME 类型决定格式路由application/vnd.openxmlformats-officedocument.presentationml.presentation函数声明见 crates/xberg-ffi/include/xberg.hxberg_extract_input_from_json定义在头文件中文档注释明确“Returned handle must be freed withxberg_extract_input_free”。2.2 调用 xberg_extract 与 config handlexberg_extract(input_handle, 0)是核心入口其 ABI 声明为XBERGAlefHandle xberg_extract(XBERGAlefHandle input, XBERGAlefHandle config);本例传入config 0即使用默认提取配置空配置等价于 crates/xberg-ffi/README.md 中xberg_extraction_config_from_json({})创建的默认配置。需要注意的惯例返回值是 opaque handleXBERGAlefHandle提取结果不在 C 侧直接展开而是注册在 FFI 层的 handle 表中insert_handle后续通过xberg_extraction_result_results等访问器按需取出并转为字符串。零值即非法/失败handle 为0表示创建失败或提取失败此时应调用xberg_last_error_code()与xberg_last_error_context()诊断——这一点在 README 中的完整错误处理示例 中有规范写法。handle 必须显式释放xberg_extract_input_free释放输入 handlexberg_extraction_result_free释放结果 handle两者实现分别位于 lib.rs 和 lib.rs均通过remove_handle从全局表中移除对0调用 free 是安全的幂等。因此示例末尾的释放顺序——先释放input_handle、再释放result——正是 xberg-ffi 的内存纪律谁分配谁释放且每个非零 handle 恰好释放一次。三、底层实现PPTX 提取器如何工作xberg_extract最终把 URI 拉取的字节流交给核心 crate 的 PPTX 提取模块 crates/xberg/src/extraction/pptx/mod.rs。该模块通过直接解析 Office Open XML 格式完成提取支持.pptx、.pptm宏启用演示文稿、.ppsx幻灯片放映三种扩展名核心能力包括幻灯片遍历通过容器PptxContainer::open/from_bytes解析ppt/_rels/presentation.xml.rels关系表确定幻灯片路径无法解析时回退扫描ppt/slides/slideN.xml文件名见 mod.rs 的注释说明文本格式化粗体、斜体、下划线等 run 级格式保留为 Markdown相邻文本 run 之间的空格插入采用“智能拼接”——仅当前一段不以空白结尾、后一段不以空白开头时才补空格join_runs_with_spacingmod.rs图片提取按 relationship ID 而非迭代顺序匹配图片字节避免多图片幻灯片中尺寸/alt 文本与错误图片对象错配缺字节的图片引用会生成ProcessingWarning而不是中断整张幻灯片Office 元数据启用officefeature 时提取 core properties 与自定义属性metadata.rs。3.1 提取选项与安全限制PptxExtractionOptionsmod.rs定义了提取行为的全部可调参数pub struct PptxExtractionOptions { pub extract_images: bool, // 默认 true提取内嵌图片 pub page_config: OptionPageConfig, pub plain: bool, // 默认 false输出 Markdown 而非纯文本 pub include_structure: bool, // 是否构建 DocumentStructure 树 pub inject_placeholders: bool, // 默认 true在 Markdown 中输出 alt pub security_limits: SecurityLimits, pub max_pages: Optionusize, // 默认 None不限幻灯片数 }其中security_limits在打开容器时即执行max_files_in_archive归档内条目数上限、max_archive_size未压缩总大小上限、max_compression_ratio压缩比上限共同防御 zip 炸弹类攻击max_pages则在逐页解析之前通过enforce_slide_limit拒绝超出幻灯片数上限的演示文稿。由于 PPTX 的幻灯片计数在容器打开阶段就已精确解析无需像 PDF 那样准备备用解析器这一限制是“先计数、后解析”的廉价前置检查。对 C FFI 用户而言这些限制可通过xberg_extract的 config handle 以 JSON 形式下发例如夹具目录 fixtures/contract/ 中的config_security_limits.json等契约文件覆盖了安全限制的端到端行为。3.2 从内部结构看页码可信度一个值得注意的实现细节PptxInternalExtraction 在公共结果之外保留了slide_contents: Vec(u32, String)即“归档来源的幻灯片编号 渲染文本”的成对结构。源码注释解释其动机页边界元数据必须来自归档本身解析出的编号而不能依赖嵌入在用户可控文本中的边界标记否则可被伪造。公式 run 则单独记录为(latex, is_display)序列避免与作者手写的同字符文本混淆。这解释了为何 PPTX 提取结果中的页码与公式信息是可信的结构化数据。四、如何在本地运行与扩展该示例的定位是 E2E 契约的一部分level: typecheck表示自动生成的各语言版本C 只是其中一种 target以类型/编译检查为验收方式side_effect: server表明测试需要 mock HTTP 服务器提供文档字节。运行相关测试的入口可在 scripts/e2e/ 与 Taskfile.yml 中查看回归验证命令为夹具头注释中给出的alef verify。如果要写一个生产级 C 集成建议遵循 crates/xberg-ffi/README.md 的规范流程xberg_extract_input_from_json或xberg_extract_input_from_uri创建输入 handle判空并用xberg_last_error_*诊断需要定制行为OCR、页数上限、安全限制、结构树时用xberg_extraction_config_from_json构造 config handle否则传默认空配置调用xberg_extract(input, config)非零结果再用xberg_extraction_result_results等访问器取出内容字符串并用xberg_free_string释放按“输入 → 结果 → 配置”的顺序依次 free 各 handle。五、小结这篇由 alef 自动生成的 C 示例虽然只有十余行却浓缩了 xberg 跨语言集成的一条主线JSON 描述输入 → opaque handle 传递 → 核心 Rust 提取器执行 → 访问器取回结果 → 显式释放 handle。PPTX 场景之所以典型在于它同时覆盖了远程 URI 拉取、MIME 路由、Office Open XML 解析、图片/元数据提取和安全前置检查这几类能力。沿着 fixtures/format_specific/format_pptx.json 的夹具定义与 crates/xberg/src/extraction/pptx/ 的模块源码可以完整追溯从 C 调用到 XML 解析的每一层实现。赞分享后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载相关推荐xberg C FFI 实战用 extract 完成独立 PDF 文本提取从 ExtractInput 到结果校验xberg C FFI 实战用 extract 完成独立 PDF 文本提取从 ExtractInput 到结果校验 本文基于 xberg 仓库中自动生成的后端AI 应用NLPXberg C FFI 实战使用 extract API 对 HWPX 韩文办公文档进行独立文本提取Xberg C FFI 实战使用 extract API 对 HWPX 韩文办公文档进行独立文本提取 本篇技术指南围绕 XbergRust 核心的 Poly后端AI 应用NLPDeepTutor PPTX 技能实战借助 python-pptx 读取、创建与编辑 PowerPoint 演示文稿DeepTutor PPTX 技能实战借助 python pptx 读取、创建与编辑 PowerPoint 演示文稿 这份指南完整拆解 DeepTutor 内人工智能AI 应用AI Agent多智能体RAG教育后端前端上一篇终极指南如何用AeroSpace容器自动尺寸重置功能实现macOS窗口智能布局下一篇3步打造高效多工作区体验AeroSpace窗口管理终极优化指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
