把文件和网页统一解析成结构化JSON的子流程

原文要点

这是一个被其他n8n流程通过Execute Workflow节点调用的免费子工作流：接收二进制附件或URL和可选的字段定义，按MIME类型分流，PDF、JSON、CSV、Excel、Google Sheets和文本用n8n原生解析器，网页经HTTP请求抓正文，图片转格式后交给视觉模型提取并给出content_class与class_confidence（0到1）；提供schema时再由文本模型输出结构化JSON。每个输入固定返回{status, error, data:{text, content_class, class_confidence}}，不支持的类型返回标准错误而不中断主流程。模板自带Gemini和Groq节点；两者的当前配额和计费须在各自账号核对。

这次做成什么

在n8n里配好这个通用解析子流程，并用一个带字段schema的父流程调用练习跑通“URL→结构化JSON”的完整返回格式。

准备什么

• 一个当前可用且支持视觉能力的模型凭据，例如Google Gemini，并已核对用量限制
• 一个当前可用且支持结构化输出的文本模型凭据，例如Groq，并已核对用量限制
• 一个通过Execute Workflow节点调用本流程的父工作流
• 可用的n8n环境，并能从父工作流通过Execute Workflow节点调用该子工作流

具体怎么做

1. 导入子流程并配置两个模型凭据

   导入该子工作流。给Vision LLM节点添加视觉模型凭据（负责图片信息提取），给Text LLM节点添加文本模型凭据（负责把抽取文本按schema转JSON）。两个位置都可换成任意聊天模型节点，不必局限于Gemini和Groq。

2. 理解内部分流逻辑

   子流程先把传入附件拆成一文件一条目，URL则转成可抓取的文本来源；再根据extraction.field_schemas动态构建JSON Schema；Route by File Type节点按MIME类型路由到对应解析器，网页走HTTP请求抓正文，图片先转兼容格式再走视觉模型。

3. 从父流程发起调用

   在父工作流中添加Execute Workflow节点，指向该子流程，传入binary_files（附件）或url，以及可选的extraction.field_schemas和字段说明instructions。先用一个公开网页URL做最小测试。

4. 核对标准化返回

   检查每条返回都包含status、error和data（内含text、content_class、class_confidence）。故意传入一个不在路由表里的文件类型（如.zip），确认返回unsupported状态与error负载且父流程继续运行不中断。

5. 用置信度做分流练习（本站设计）

   在父流程里加一个Switch节点：class_confidence≥0.8自动接受，0.5–0.8进入人工复核分支，<0.5标记为待查，用三条不同质量的输入验证分流是否符合预期。

可直接复制的材料

{
  "url": "https://example.com/news/2026-spring-market-report",
  "extraction": {
    "field_schemas": {
      "title": { "type": "string", "description": "文章标题" },
      "publish_date": { "type": "string", "description": "发布日期，YYYY-MM-DD" },
      "companies": { "type": "array", "items": { "type": "string" }, "description": "文中提到的公司名称" },
      "summary": { "type": "string", "description": "三句话以内的中文摘要" }
    },
    "instructions": "只提取正文信息，忽略导航和广告；日期无法确定时返回null"
  }
}

你是数据结构化助手。请阅读下方从文件或网页抽取的原始文本，严格按给定的JSON Schema输出一个JSON对象。
要求：
1. 只输出合法JSON，不要输出任何解释文字或代码块标记；
2. 字段值必须来自原文，原文没有的信息填null，不要编造；
3. 数组字段没有内容时返回空数组[]；
4. 日期统一为YYYY-MM-DD格式。

JSON Schema：
{{ $json.schema }}

原始文本：
{{ $json.text }}

输入与输出示例

本站虚构演示，字段与数值均为示意，非实际运行结果；返回结构遵循模板说明的固定格式。

输入

调用参数：url指向一篇虚构的市场动态网页，schema要求title、publish_date、companies、summary四个字段

对应输出

{"status":"success","error":null,"data":{"text":"（网页正文全文抽取结果）","content_class":"news_article","class_confidence":0.87,"title":"2026春季市场观察","publish_date":"2026-03-15","companies":["阿尔卑斯物流","湖畔制造"],"summary":"文章介绍了两家瑞士企业在春季的产能调整与用工变化。"}}

做完检查这些

• Vision LLM和Text LLM两个节点都已配置可用凭据
• 父流程Execute Workflow节点能传入url或binary_files并收到返回
• 每条返回都包含status、error、data三要素且data内有text、content_class、class_confidence
• 传入不支持的文件类型时返回标准错误且父流程不中断
• 提供field_schemas时返回的data包含与schema对应的结构化字段

容易卡住的地方

• 必须由一个父工作流通过Execute Workflow节点调用，单独运行子流程没有触发入口
• 文本模型需支持结构化输出，否则schema转换结果可能不是合法JSON
• 图片必须先转换为视觉模型兼容格式，不兼容格式会导致该条目走错误分支
• 免费额度有限，批量处理大量附件时注意Gemini和Groq的速率限制
• 新增文件类型需要在Route by File Type里手动加规则，不添加则一律返回unsupported