RAG 快速上手：Kernel Memory Decoder 開箱即用，輕鬆處理 Office/PDF/HTML

在建構 RAG（Retrieval-Augmented Generation）系統時，處理文件格式與提取文字內容常常是最花時間的步驟。幸好，Microsoft Kernel Memory 提供了一套開箱即用的解碼器（Decoder），可以自動擷取 Office、PDF、HTML 等檔案或網頁中的文字，並直接接入 Chunking 與 Embedding 流程，大幅簡化實作成本。這篇文章將示範如何使用 ExtractFile 方法實現這個過程，讓你專注在打造自己的知識庫與問答服務。

實作

在 Microsoft Kernel Memory 中，針對各種檔案提供對應的 Decoder (HtmlDecoder, MarkDownDecoder, PdfDecoder, MsWordDecoder, MsExcelDecoder, MsPowerPointDecoder ... )來取得它們的文字。如果我們的系統有需要讀取檔案的內容，可以直接利用這些 Decoder 來取得檔案的內容。

以下直接利用 ExtractFile Method 來展示如何使用(請先加入 Microsoft.KernelMemory Nuget 套件)，

#pragma warning disable KMEXP00
private static ILoggerFactory loggerFactory;

static async Task<string> ExtractFile(string docPath, bool isUrl = false)
{
var mimeTypeDetection = new MimeTypesDetection();
string mimeType;
BinaryData? fileBinary;
if (isUrl)
{
var webscraper = new WebScraper();
var urlDownloadResult = await webscraper.GetContentAsync(docPath);
if (!urlDownloadResult.Success)
{
Console.WriteLine(urlDownloadResult.Error);
return "";
}
mimeType = urlDownloadResult.ContentType;
fileBinary = urlDownloadResult.Content;
}
else
{
mimeType = mimeTypeDetection.GetFileType(docPath);
byte[] fileBytes = File.ReadAllBytes(docPath);
fileBinary = System.BinaryData.FromBytes(fileBytes);
}
var msExcelDecoderConfig = new MsExcelDecoderConfig();
var msPowerPointDecoderConfig = new MsPowerPointDecoderConfig();
var decoders = new List<IContentDecoder>
{
new TextDecoder(loggerFactory),
new HtmlDecoder(loggerFactory),
new MarkDownDecoder(loggerFactory),
new PdfDecoder(loggerFactory),
new MsWordDecoder(loggerFactory),
new MsExcelDecoder(msExcelDecoderConfig, loggerFactory),
new MsPowerPointDecoder(msPowerPointDecoderConfig, loggerFactory),
//new ImageDecoder(ocrEngine, loggerFactory),
};
var decoder = decoders.LastOrDefault(d => d.SupportsMimeType(mimeType));
if(decoder is null)
{
Console.WriteLine($"無法讀取{mimeType}類型的檔案");
return "";
}

var content = await decoder.DecodeAsync(fileBinary);
Console.WriteLine("File 文字如下 .....");
var textBuilder = new StringBuilder();
foreach (var section in content.Sections)
{
var sectionContent = section.Content.Trim();
if (string.IsNullOrEmpty(sectionContent)) { continue; }

textBuilder.Append(sectionContent);

// Add a clean page separation
if (section.SentencesAreComplete)
{
textBuilder.AppendLineNix();
textBuilder.AppendLineNix();
}
}
var fileText = textBuilder.ToString().Trim();
return fileText;
}

在ExtractFile Method中，我們將 Microsoft Kernel Memory 中提供的 Decoder 組合起來，要取得檔案內容時，再依檔案的 mimeType 來取得對應的 Decoder 進行讀取檔案內容。

以下分別針對 Word、PDF、HTML 及 2 欄式PDF 來試看看效果。

var docPath = @"new1.docx";
var docBody = await ExtractFile(docPath);
Console.WriteLine($"{docPath} ========");
Console.Write(docBody);

var pdfPath = @"pdf1.pdf";
var pdfBody = await ExtractFile(pdfPath);
Console.WriteLine($"{pdfPath} ========");
Console.Write(pdfBody);

var urlPath = "https://www.taisugar.com.tw/resting/hualian/CP2.aspx?n=12036";
var urlBody = await ExtractFile(urlPath, true);
Console.WriteLine($"{urlBody} ========");
Console.Write(urlBody);

Word + Table 的效果如下，

註: 它會連 追蹤修訂 都一併取出來 

PDF 的效果如下，可以發現”請假天數，核准主管權限及事前天數辨法如下:” 的 Table 跑到了比較下面的地方

HTML 的效果如下，

2 欄式PDF的效果如下，和上面 PDF + Table 狀況一樣，Table 跑到了整頁的最後去了~~

• 當 PDF 中有 Table 時，Table文字的內容會跑到後面去，如果有上/下文關係，有可能就會判斷錯誤。

結論

透過 Kernel Memory 的各種 Decoder，我們可以「開箱即用」地擷取 Office、PDF、HTML 等各種檔案與網頁的內容，省去手動解析的繁瑣過程，並且無縫銜接 TextChunker 與向量化流程，讓建構 RAG 系統變得更加輕量與模組化。這不僅提升了開發效率，也降低了知識庫擴充的門檻 ，同時也提供了擴充的彈性。

如果你正考慮導入 LLM 或建立企業內部搜尋引擎、FAQ 系統、智能客服，這種可組合、可擴充的做法會是非常實用的起點。

參考資源

Extract Text From a Multi-Column Document Using PyMuPDF in Python
使用 Kernel Memory 和 MSSQL 快速建立 RAG 服務

AppendLineNix