Chomper (Ic Hi Go Ku Ro Sa Ki I)

咀嚼者

  

快速浏览任何文档。 一个MCP服务器，为克劳德等人工智能系统解析36种以上的文件格式。

特性

• 15+格式类别：PDF、DOCX、PPTX、Excel、CSV、HTML、Markdown、文本、代码（10多种语言）、JSON、YAML、XML、电子邮件（EML/MSG）、EPUB、RTF
• 智能令牌管理：默认情况下为摘要模式（5000个字符），对大型文档进行分页
• TOON输出格式：令牌优化对象表示法可将令牌使用量减少约40%
• 语义分块：使用句子变换器进行基于嵌入的分块，以实现更好的RAG检索
• 图像提取：PDF图像作为ImageContent返回，用于直接AI分析
• MCP提示：内置文档分析提示（汇总、提取实体、问答等）
• 元数据：作者、标题、页数、字数、阅读时间、复杂性得分
• 批处理：在单个请求中解析多个文档

快速开始

安装

# Clone the repository
git clone https://github.com/IcHiGo-KuRoSaKiI/Chomper.git
cd chomper

# Create virtual environment and install
python -m venv venv
source venv/bin/activate  # or `venv\Scripts\activate` on Windows
pip install -e .

运行服务器

# Direct execution
python server.py

# Or via the installed command
chomper

在Claude代码中配置

claude mcp add -s user chomper -- /path/to/chomper/venv/bin/python /path/to/chomper/server.py

在Claude桌面中配置

添加到您的Claude Desktop配置(~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上）：

{
  "mcpServers": {
    "chomper": {
      "command": "/path/to/chomper/venv/bin/python",
      "args": ["/path/to/chomper/server.py"]
    }
  }
}

Python库

Chomper可以作为一个独立的Python库用于文档解析：

import chomper

# Parse a document
result = chomper.parse("/path/to/document.pdf")
print(result.text)
print(result.metadata)
print(f"Words: {result.word_count}, Format: {result.format}")

# Parse from base64 (cloud storage, APIs, databases)
import base64
with open("doc.pdf", "rb") as f:
    content = base64.b64encode(f.read()).decode()

result = chomper.parse_bytes(content, "doc.pdf")

# Quick metadata extraction
meta = chomper.extract_metadata("/path/to/report.pdf")
print(f"Author: {meta.author}, Pages: {meta.page_count}")

# Chunk for RAG/embeddings
chunks = chomper.chunk("/path/to/doc.pdf", strategy="semantic")
for chunk in chunks:
    print(f"Chunk {chunk.chunk_id}: {chunk.word_count} words")
    print(f"Keywords: {chunk.keywords}")

# Check format support
if chomper.is_supported("report.pdf"):
    result = chomper.parse("report.pdf")

# List all formats
formats = chomper.list_formats()
for ext, info in formats.items():
    if info["available"]:
        print(f"{ext}: {info['description']}")

API 参考

结果对象

# ParseResult
result.text           # Extracted text content
result.metadata       # Document metadata dict
result.format         # File format (pdf, docx, etc.)
result.word_count     # Total word count
result.char_count     # Total character count

# ChunkResult (from chomper.chunk())
chunk.text            # Chunk text
chunk.chunk_id        # Chunk index (0-based)
chunk.word_count      # Words in chunk
chunk.keywords        # Extracted keywords
chunk.section_name    # Detected section name

# MetadataResult (from chomper.extract_metadata())
meta.filename         # Base filename
meta.format           # File format
meta.file_size        # Size in bytes
meta.author           # Author (if available)
meta.title            # Title (if available)
meta.page_count       # Pages (if applicable)

命令行界面

直接从命令行解析文档：

# Parse and print text
chomper-parse document.pdf

# Output as JSON
chomper-parse report.docx --json

# Output in different formats (csv, markdown, xml)
chomper-parse report.pdf --format markdown
chomper-parse data.xlsx --format csv

# Show metadata only
chomper-parse data.xlsx --metadata

# Split into chunks
chomper-parse book.pdf --chunk --strategy semantic

# Save to file
chomper-parse document.pdf -o output.txt

# List supported formats
chomper-parse --formats

# Quiet mode (no progress messages)
chomper-parse document.pdf -q

输出格式

# Plain text (default)
chomper-parse document.pdf

# JSON output
chomper-parse document.pdf --format json
chomper-parse document.pdf --json  # shortcut

# CSV output
chomper-parse document.pdf --format csv

# Markdown output
chomper-parse document.pdf --format markdown

# XML output
chomper-parse document.pdf --format xml

# Custom Jinja2 template
chomper-parse document.pdf --format template --template my_template.j2

观看模式

监控目录中新的/更改的文件并自动解析它们：

# Watch a directory
chomper-parse --watch ./documents

# Watch with JSON output saved to files
chomper-parse --watch ./inbox --format json --output-dir ./parsed

# Watch only PDFs, check every 5 seconds
chomper-parse --watch ./docs --pattern "*.pdf" --interval 5

# Watch recursively (including subdirectories)
chomper-parse --watch ./project --recursive

# Watch with metadata only
chomper-parse --watch ./docs --metadata --format json

交互模式

启动一个交互式shell来解析多个文档：

$ chomper-parse -i
Chomper Interactive Mode
Type 'help' for commands, 'exit' to quit.

chomper> parse ~/Documents/report.pdf
[Document content displayed...]

chomper> set format json
Output format set to: json

chomper> metadata ~/Documents/report.pdf
{
  "filename": "report.pdf",
  "format": "pdf",
  "page_count": 5
}

chomper> history
Files parsed this session:
  1. /Users/me/Documents/report.pdf

chomper> help
[Shows all available commands]

chomper> exit

交互式命令：

CLI选项

MCP工具

以下工具可通过MCP服务器获得：

可用工具

1. parse_document

解析文档并提取文本、元数据和图像。 默认情况下返回摘要 （前5000个字符）保持在令牌限制范围内。

参数：

答复：

• TextContent[0]：纯提取文本（无JSON包装）
• TextContent[1]：JSON格式的元数据（如果截断，则包括继续提示）
• ImageContent[]：图像如果 include_images=true

例子：

parse_document(file_path: "/path/to/doc.pdf")
→ Returns first 5000 chars + metadata with hint to fetch more

parse_document(file_path: "/path/to/doc.pdf", output_format: "toon")
→ Returns in TOON format (~40% fewer tokens)

2. parse_document_bytes

从以下位置解析文档 base64编码内容。非常适合来自云存储（S3、Azure Blob）、API响应、数据库Blob或内存中文档的文档。

参数：

例子：

import base64

# Read file and encode to base64
with open("document.pdf", "rb") as f:
    content = base64.b64encode(f.read()).decode()

# Send via MCP
parse_document_bytes(
    content_base64=content,
    filename="document.pdf"
)
→ Returns extracted text + metadata (same as parse_document)

使用案例：

• 从云存储（S3、Azure Blob、GCS）获取的文档
• 从API响应收到的文件
• 以BLOB形式存储在数据库中的文档
• 无需磁盘I/O的内存文档处理

4. get_document_chunk

获取文档文本的特定部分。 用于对大型文档进行分页检索。

参数：

工作流程示例：

1. parse_document(file_path: "doc.pdf")
   → Returns chars 0-5000, hint: "use get_document_chunk(offset=5000)"

2. get_document_chunk(file_path: "doc.pdf", offset: 5000)
   → Returns chars 5000-10000

3. get_document_chunk(file_path: "doc.pdf", offset: 10000)
   → Returns chars 10000-15000, etc.

5. get_document_images

按需从文档中检索图像。将图像作为ImageContent对象返回。

参数：

例子：

get_document_images(file_path: "doc.pdf", page: 1, max_images: 3)
→ Returns first 3 images from page 1 as ImageContent

6. parse_document_chunked

将文档解析为具有可配置大小和重叠的语义块。非常适合RAG系统。

参数：

分块策略：

• auto：格式感知分块（对每种文件类型使用专门的分块器）
• semantic：使用句子变换器进行基于嵌入的分块（最适合RAG）
• fixed：简单的字符数拆分
• recursive：段落/句子边界分割

响应（JSON）：

{
  "success": true,
  "total_chunks": 25,
  "chunking_strategy": "semantic",
  "embedding_model": "fast",
  "chunks": [
    {
      "chunk_id": 0,
      "text": "Chunk content...",
      "word_count": 250,
      "keywords": ["key", "terms"],
      "section_name": "Introduction",
      "metadata": {
        "chunk_strategy": "semantic",
        "breakpoint_strategy": "percentile"
      }
    }
  ],
  "statistics": {
    "total_words": 6000,
    "average_chunk_words": 240
  }
}

7. extract_metadata

无需完全文档处理即可快速提取元数据。

参数：

响应（JSON）：

{
  "success": true,
  "metadata": {
    "author": "John Doe",
    "title": "Document Title",
    "page_count": 10
  },
  "document_info": {
    "text_length": 35000,
    "image_count": 5
  }
}

8. list_supported_formats

列出所有支持的文档格式及其可用性状态。

9. batch_parse

在单个请求中解析多个文档。

参数：

MCP提示

服务器公开了5个可用于Claude的文档分析提示：

Claude中的用法：

Use the summarize-document prompt with file_path="/path/to/doc.pdf"

TOON格式（令牌优化输出）

与JSON相比，TOON格式将令牌使用量减少了约40%，非常适合LLM上下文：

d:report.pdf|t:pdf|w:5000|c:25000|n:10
m:author=John Doe,title=Annual Report
---
0|0-2500|text|Introduction
The document begins with an overview...
k:overview,introduction,summary
---
1|2500-5000|text|Methodology
The methodology section describes...
k:methodology,approach,methods

启用： output_format: "toon" 在任何工具上。

支持的格式

总计：支持36个文件扩展名

推荐使用模式

对于具有令牌限制的AI系统，要获得最佳结果：

# 1. Start with summary (default behavior)
parse_document(file_path: "large_doc.pdf")

# 2. If you need more content, paginate
get_document_chunk(file_path: "large_doc.pdf", offset: 5000)
get_document_chunk(file_path: "large_doc.pdf", offset: 10000)

# 3. Fetch images separately when needed
get_document_images(file_path: "large_doc.pdf", max_images: 3)

# 4. For RAG pipelines, use semantic chunking
parse_document_chunked(file_path: "doc.pdf", chunking_strategy: "semantic")

避免：

# DON'T use full_text=true for large documents - will exceed token limits!
parse_document(file_path: "large_doc.pdf", full_text: true)  # Bad

建筑

服务器封装了一个4层文档处理管道：

┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│  Extractors │ -> │  Chunkers   │ -> │  Enrichers  │ -> │ Formatters  │
│ (Layer 1)   │    │ (Layer 2)   │    │ (Layer 3)   │    │ (Layer 4)   │
└─────────────┘    └─────────────┘    └─────────────┘    └─────────────┘
     │                   │                  │                   │
     v                   v                  v                   v
 Raw text +         Semantic           Keywords +         JSON/TOON
 Structure          Chunks             Metadata            Output

提取器： 格式特定的文本和元数据提取 Chunkers： 自动、语义（嵌入）、固定、递归策略 Enrichers： 关键词、章节、标题、复杂性得分 格式化程序： JSON（默认）或TOON（令牌优化）

依赖项

核心（始终可用）：

• mcp>=1.0.0 -模型上下文协议
• 代码、文本、Markdown提取器（无严重依赖关系）

可选（用于其他格式）：

• PDF： pymupdf, pymupdf4llm, pillow
• 办公室： python-docx, python-pptx, openpyxl
• 网状物： beautifulsoup4, lxml, trafilatura
• 数据： pyyaml （YAML）， lxml （XML）
• 电子邮件： extract-msg （MSG文件）
• 电子书： ebooklib （EPUB）
• 富文本： striprtf （RTF）
• 语义分块： sentence-transformers

安装所有依赖项：

pip install -r requirements.txt

错误处理

所有响应均包含有关故障的适当错误信息：

{
  "success": false,
  "error": "File not found: /path/to/missing.pdf",
  "error_type": "ValueError"
}

发展

# Install dev dependencies
pip install -e ".[dev]"

# Run tests
pytest
python src/tests/test_lightweight.py

# Format code
black .

# Lint
ruff check .

与其他工具的比较

贡献

欢迎投稿！请阅读 贡献.md 作为指导方针。

贡献者快速入门

# Fork and clone
git clone https://github.com/YOUR_USERNAME/chomper.git
cd chomper

# Setup dev environment
python -m venv venv
source venv/bin/activate
pip install -e ".[dev]"

# Run tests
pytest

# Format code
black .
ruff check .

许可证

MIT许可证-请参阅 许可证 了解详情。

______________________________________________________________________

用爱建造 @IcHiGo KuRoSaKiI