Document Import

Document import

Все документы — это zip-архивы с XML или текстом. Открыть и извлечь можно без специальных SDK.

DOCX

.docx = zip. Текст лежит в word/document.xml. Картинки в word/media/.

unzip -o file.docx -d docx-out
# Текст: docx-out/word/document.xml — выдерни <w:t> элементы
# Картинки: docx-out/word/media/*.{png,jpg}

unzip есть не везде. На Windows его нет ни в системе, ни в Git Bash (там только tar.exe, а в PowerShell — Expand-Archive). Python в паке обязателен, и его zipfile делает то же самое на всех трёх ОС — им и распаковывай, если unzip не нашёлся:

python -c "import sys,zipfile; zipfile.ZipFile(sys.argv[1]).extractall(sys.argv[2])" file.docx docx-out

Готовая обёртка с фолбэком — templates/extract-doc.sh (см. «Команды-обёртки» ниже).

Извлечь текст:

import fs from 'node:fs/promises';
import { XMLParser } from 'fast-xml-parser';
const xml = await fs.readFile('docx-out/word/document.xml', 'utf8');
const j = new XMLParser({ ignoreAttributes: false }).parse(xml);
function collect(n, out = []) {
  if (!n) return out;
  if (typeof n === 'string') { out.push(n); return out; }
  for (const k of Object.keys(n)) {
    if (k === 'w:t') {
      const v = n[k];
      if (typeof v === 'string') out.push(v);
      else if (Array.isArray(v)) v.forEach(x => out.push(x['#text'] || x));
      else out.push(v['#text'] || '');
    } else if (typeof n[k] === 'object') {
      Array.isArray(n[k]) ? n[k].forEach(c => collect(c, out)) : collect(n[k], out);
    }
  }
  return out;
}
console.log(collect(j).join(' '));

PPTX

.pptx = zip. Каждый слайд — ppt/slides/slide1.xml, slide2.xml, … Текст — в <a:t> тегах. Картинки в ppt/media/.

unzip -o file.pptx -d pptx-out
# нет unzip (Windows, Git Bash) — тем же Python:
# python -c "import sys,zipfile; zipfile.ZipFile(sys.argv[1]).extractall(sys.argv[2])" file.pptx pptx-out
ls pptx-out/ppt/slides/   # slide1.xml slide2.xml ...
ls pptx-out/ppt/media/    # image1.png image2.jpeg ...

Тот же подход что для docx, только другой XML-namespace.

PDF

Без бинарных тулов сложно. Варианты:

1. pdf-parse (Node, чистый JS) — текст:

   npm i pdf-parse
   

   import fs from 'node:fs/promises';
   import pdf from 'pdf-parse';
   const buf = await fs.readFile('brief.pdf');
   const data = await pdf(buf);
   console.log(data.text);
   

2. pdftotext (poppler-utils, через CLI) — лучше качество:

   pdftotext -layout brief.pdf brief.txt
   

3. pdfimages — извлечь картинки:

   pdfimages -all brief.pdf out/img
   

Скетч / фото доски / .napkin

Если пользователь кинул фото маркерной доски или скетч от руки — это просто картинка. Не пытайся «распознать» руками. Действия:

1. Открой картинку, прочитай глазами (через свой visual capability).
2. Опиши вслух: «вижу 3 экрана, на первом форма входа, на втором лента, на третьем настройки».
3. Спроси у пользователя, всё ли правильно понял.
4. Дальше — обычный flow.

Если файл .napkin — это рисовалка с JSON-данными внутри. Картинка-превью обычно лежит рядом — её и читай.

Что использовать после импорта

• Тексты PRD/брифа → как контент слайдов или основу копирайта прототипа.
• Картинки из PPTX → если это диаграммы / скрины из старого дека, можно повторно использовать как ассеты.
• Картинки из PDF → обычно low-res, годятся как референс, не как финальные ассеты.
• Скетч-фото → референс структуры экранов, не финальная разметка.

Команды-обёртки

templates/extract-doc.sh — распаковывает docx / pptx / sketch и вынимает текст из PDF:

bash templates/extract-doc.sh file.docx [out-dir]

Скрипт сам ищет, чем распаковать: сперва unzip, если его нет — python3/python и стандартный zipfile. Имя интерпретатора тоже проверяется в обе стороны (python3 нет на Windows, python нет на macOS 12.3+ и голой Ubuntu). Если нет ни того ни другого — печатает, чего именно не хватает, и выходит с ненулевым кодом, а не создаёт пустую папку и «✓».

Для PDF нужен pdftotext (пакет poppler); без него скрипт скажет это явно и продолжит с остальным, а не отчитается об успехе.

Полный текст — в самом файле templates/extract-doc.sh; здесь он намеренно не дублируется: копия в документации уже успела разойтись с оригиналом.

Legacy reference

Прежняя расширенная версия скилла (дерево @2026-04-30) сохранена целиком в references/legacy-document-import.md. Секции там: PDF, DOCX, PPTX, Sketch (legacy), Структурирование вывода, Извлечение по типам, Качество текста, Изображения из документов, Антипаттерны.