Skip to content

Latest commit

 

History

History
82 lines (60 loc) · 3.85 KB

README.md

File metadata and controls

82 lines (60 loc) · 3.85 KB

PDF Process 文件闭环

这个示例读取 Workflow 上传的 PDF,生成两个持久化资源:

  • processedPdf:重新保存的完整 PDF,保留页面内容,可预览、下载。
  • report:按 --- Page N --- 分隔的 UTF-8 文本文件,可下载,也可供下游 Process 读取。

同时返回 pageCount、textPageCount 和 warnings。它不调用模型,也不生成 AI 摘要。 扫描页无法提取文字时会给出 OCR 提示;加密 PDF 会明确失败。

创建 Workflow App

  1. 在 Workrun 的 Apps 页面创建一个 Workflow App,命名为 PDF 文件处理。

  2. 打开 App 项目目录,将本目录的 main.py 复制到项目中,替换初始入口文件。

  3. 在该项目目录安装依赖:

    uv add pypdf

    Workrun 创建的项目已包含 workrun-sdk,不要复制 SDK 项目自己的 pyproject.toml。

  4. 编辑 App 输入 Schema,将 contract.json 的 inputs 对象粘贴到输入配置中。

  5. 编辑 App 输出 Schema,将 contract.json 的 outputs 对象粘贴到输出配置中。

  6. 保存 App。入口保持 main.py,版本可以使用 0.1.0。

输入与输出配置都是字段名到 JSON Schema 的映射,不要粘贴整个 contract.json。 资源字段的类型是 object,它表示 ArtifactRef;不要使用字符串文件路径。

创建测试 Workflow

Start → Process(PDF 文件处理)→ End
  1. 新建任务模式的 Workflow,名称为 PDF Process 验收。
  2. 在运行输入中添加一个必填字段:Key 为 document,显示名称为 PDF 文件,类型为 文件。
  3. 添加 Process 节点,在节点设置中选择刚创建的 Workflow App。
  4. 添加 End,按上图连接。无需配置模型、Agent 或工具。
  5. 点击运行,选择一份未加密的 PDF。
  6. 核对页数与原文件一致;在结果中预览或下载 processed.pdf,下载 extracted-text.txt,检查页码标记及正文。
  7. 重启 Workrun 后打开运行历史,确认两份输出仍可访问。生成文件的临时目录已删除,历史读取的是 Workrun 保存的快照。

例如,4 页的文本 PDF 应返回 pageCount = 4;textPageCount 为至少含有可提取文字的页数。 它不保证扫描文档的文字识别,不含 OCR。再次运行会生成新的资源 ID。

下游节点读取

Process 输出默认在其私有 State 中。在该 Process 的 State 权限中,将下游节点加入可读节点。 下游收到的是平铺输入:report、processedPdf 等字段,不是 nodes.<id>.processedPdf。 不要把输出重新命名为 document,否则可能与上传文件的全局键冲突。

下游 Process 可以这样核对结果:

import json
import sys
from pypdf import PdfReader
from workrun_sdk import artifacts, process

state = json.load(sys.stdin)
text = artifacts.read(state["report"]).decode("utf-8")
pdf = artifacts.path(state["processedPdf"])
process.result({
    "verifiedPages": len(PdfReader(pdf).pages),
    "textCharacters": len(text),
})

下游 App 也需安装 pypdf,并声明与上述代码对应的输入输出 Schema。 若下游是 Gemini Agent,模型附件来源填 processedPdf,并授权它读取 Process 的 State。

仓库自动验收

uv sync --project packages/python-sdk
cargo test --offline --manifest-path apps/desktop/src-tauri/Cargo.toml --lib python_pdf_process_generates_durable_files_for_authorized_downstream_nodes -- --ignored --nocapture

Unix 环境下该测试使用真实 Python 子进程、Workrun PythonRuntime、原生 IPC、两页文本 PDF 和真实资源存储。 它验证输入原文件删除后仍可处理、输出 Schema、临时目录清理后资源仍有效、State 的下游读取权限, 以及另一个 Process 通过 SDK 读取生成的 PDF 和文本。原生预览窗口和下载对话框需在桌面界面手动验收。