From 857b2d43780a3857e654135987184079aacaf063 Mon Sep 17 00:00:00 2001
From: mike <a79376464@gmail.com>
Date: Wed, 29 Jul 2026 11:19:47 +0800
Subject: [PATCH] Update server.js via upload script - 2026-07-29 11:19:26

---
 server.js | 21 +++++++++++++++++----
 1 file changed, 17 insertions(+), 4 deletions(-)

diff --git a/server.js b/server.js
index 2605c73..2b6e88a 100644
--- a/server.js
+++ b/server.js
@@ -613,9 +613,11 @@ app.post('/api/ai/parse-catalog', requireAuth, aiLimiter, (req, res) => {
     try {
       tmpDir = fs.mkdtempSync(path.join(OCR_TMP_ROOT, 'catalog-ocr-'));
       const imagePaths = [];
+      const htmlTextParts = []; // HTML文件不用OCR，直接读文字内容（保留表格标签结构，AI能看懂rowspan这种分组关系）
       for (const file of req.files) {
         const isPdf = (file.mimetype || '').includes('pdf') || file.originalname.toLowerCase().endsWith('.pdf');
         const isImage = (file.mimetype || '').startsWith('image/');
+        const isHtml = (file.mimetype || '').includes('html') || /\.html?$/i.test(file.originalname);
         if (isPdf) {
           const pdfSubDir = fs.mkdtempSync(path.join(tmpDir, 'pdf-'));
           const pages = await renderPdfToImages(file.buffer, pdfSubDir);
@@ -625,13 +627,24 @@ app.post('/api/ai/parse-catalog', requireAuth, aiLimiter, (req, res) => {
           const imgPath = path.join(tmpDir, `img_${imagePaths.length}${ext}`);
           fs.writeFileSync(imgPath, file.buffer);
           imagePaths.push(imgPath);
+        } else if (isHtml) {
+          const raw = file.buffer.toString('utf8');
+          // 只去掉 <style>/<script> 这种纯样式/脚本内容（对AI提取参数没用、白白占token），
+          // 保留其余全部HTML标签结构——比如 rowspan 属性能直接告诉AI"这几行同属一个分组"，
+          // 这比OCR识别出来的一堆无结构纯文字准确得多。
+          const cleaned = raw
+            .replace(/<style[\s\S]*?<\/style>/gi, '')
+            .replace(/<script[\s\S]*?<\/script>/gi, '')
+            .trim();
+          if (cleaned) htmlTextParts.push(cleaned);
         } else {
-          return res.status(400).json({ error: `不支持的文件类型：${file.originalname}（只支持PDF或图片）` });
+          return res.status(400).json({ error: `不支持的文件类型：${file.originalname}（只支持PDF、图片或HTML）` });
         }
       }
 
-      const text = await ocrImages(imagePaths);
-      if (!text) return res.status(400).json({ error: 'OCR没有识别到任何文字，请确认文件清晰、内容完整' });
+      const ocrText = imagePaths.length ? await ocrImages(imagePaths) : '';
+      const text = [ocrText, ...htmlTextParts].filter(Boolean).join('\n\n--- 下一份文件 ---\n\n');
+      if (!text) return res.status(400).json({ error: '没有识别/读取到任何文字内容，请确认文件清晰、内容完整' });
 
       // 识别出来的文本太长就截断，避免超出模型输出预算；产品目录类文档核心信息通常靠前
       const MAX_CHARS = 24000;
@@ -642,7 +655,7 @@ app.post('/api/ai/parse-catalog', requireAuth, aiLimiter, (req, res) => {
       if (hintBrand) hintLines.push(`品牌：${hintBrand}`);
       if (hintType) hintLines.push(`细分品类：${hintType}`);
       const userContent = hintLines.length
-        ? `【用户已确认以下信息，直接使用，不用自己判断】\n${hintLines.join('\n')}\n\n【以下是OCR识别出的文档内容】\n${clippedText}`
+        ? `【用户已确认以下信息，直接使用，不用自己判断】\n${hintLines.join('\n')}\n\n【以下是文档内容，可能是OCR识别结果、也可能是直接提取的HTML源码——HTML里的表格标签结构（比如rowspan）请重点利用，能帮助你判断字段的分组归属】\n${clippedText}`
         : clippedText;
 
       const content = await callDeepSeekWithRetry(cfg.apiKey, [