FR-030.3 — 證據分類支援 .xlsx / .pptx（本地抽文字）

規劃日期：2026-05-29 撰寫人：raymond + Claude 狀態：設計草稿，待 user 確認抽取預設 → spec review → implementation plan arc 關聯：↳ FR-030 子（延續「補上分類器目前跳過的常見檔型」，sibling of FR-030.2）

讓 FR-030 證據分類器支援 Excel（.xlsx）與 PowerPoint（.pptx）證據 —— 兩者 Claude API 無原生 block，沿用 FR-030.2 已建好的「本地抽文字 → text block」路線（同 docx 機制），把 cell / 投影片文字抽出來送分類，分類與歸檔流程完全不變。

合規證據裡 Excel 清單（資產清冊、帳號表、設定矩陣）與簡報（教育訓練、政策說明）很常見。FR-030.2 完工後，分類器已能吃文字檔 + 圖片 + PDF，但 .xlsx / .pptx 仍落在 build_content_blocks 的「unsupported → skip」分支，被列未處理要人工歸檔。本期補上這兩種。

xlsx / pptx 跟 docx 同類，沒有原生 block，必須自己在本地解析成文字。所以本功能不碰 vision 路徑，只擴充 FR-030.2 的 text 分支。

原分類 / 歸檔流程不變。_state.json 結構、Drive 歸檔、review UI 全沿用。xlsx / pptx 只是多兩種能抽成文字的檔型，出分類器後與其它檔走同一條歸檔路。

FR-030.2 後，build_content_blocks 的文字分支為：

if ext in {".docx", ".csv", ".log", ".txt", ".md"}:
    text = _extract_text_legacy(path)
    return [{"type": "text", "text": f"Filename: {filename}\n..."}], None

本期改動：

1. ext 集合加 .xlsx、.pptx
2. _extract_text_legacy 加兩個分支抽取（mirror 既有 .docx 用 python-docx 的 pattern）

抽取邏輯（待 user 確認的預設）

.xlsx（openpyxl）：

elif ext == ".xlsx":
    from openpyxl import load_workbook
    wb = load_workbook(str(path), read_only=True, data_only=True)  # data_only=取值不取公式
    parts = []
    for ws in wb.worksheets:
        parts.append(f"# Sheet: {ws.title}")
        for row in ws.iter_rows(values_only=True):
            cells = [str(c) for c in row if c is not None]
            if cells:
                parts.append(" | ".join(cells))
    text_out = "\n".join(parts)

• 所有工作表、逐列 cell 用 | 串接（比照 docx 表格）
• data_only=True：取計算後的值而非公式字串
• read_only=True：大檔記憶體友善

.pptx（python-pptx）：

elif ext == ".pptx":
    from pptx import Presentation
    prs = Presentation(str(path))
    parts = []
    for i, slide in enumerate(prs.slides, 1):
        parts.append(f"# Slide {i}")
        for shape in slide.shapes:
            if shape.has_text_frame and shape.text_frame.text.strip():
                parts.append(shape.text_frame.text)
            if shape.has_table:
                for r in shape.table.rows:
                    parts.append(" | ".join(c.text for c in r.cells))
    text_out = "\n".join(parts)

• 所有投影片的文字框 + 表格
• 預設不含講者備忘稿（speaker notes）— 通常非證據內容（← 待 user 確認，要含 notes 可加 slide.notes_slide）

兩者最後沿用既有 MAX_TEXT_CHARS=8000 截斷（在 _extract_text_legacy 內）。

待 user 確認的設計決策

1. xlsx 取值不取公式（data_only=True）— OK？
2. pptx 不含講者備忘稿 — OK？要含的話加一行。
3. 超大 xlsx / 超多投影片：是否要設上限（如 xlsx >N 列、pptx >M 頁就截斷或 skip）？或單純靠 MAX_TEXT_CHARS 截斷即可（傾向後者，簡單）。

✅ 本次做：

• .xlsx / .pptx 走本地抽文字 → text block → 分類
• 新增依賴 openpyxl / python-pptx（container requirements）
• 擴充 _extract_text_legacy + build_content_blocks ext 集合 + 單元測試

❌ 本次不做：

• .xls / .ppt（舊二進位格式，需 LibreOffice 轉換，另議）
• xlsx 內嵌圖表 / 圖片的視覺辨識（只抽文字）
• 成本控管、_state.json schema 變更、review UI 改版、vision 路徑任何改動

• 單元測試 build_content_blocks 對 .xlsx / .pptx：用 openpyxl / python-pptx 動態建小檔，斷言抽出的 text block 含 cell / slide 文字
• 回歸：既有 docx/csv/image/pdf 分支不受影響

• FR-030.2 已建管道：scripts/evidence/classify/docker/container_entrypoint.py（_extract_text_legacy / build_content_blocks）
• FR-030.2 spec：docs/features/FR-030.2-2605-evidence-classify-image-vision/design.md
• container 依賴：scripts/evidence/classify/docker/requirements.txt
• 測試：scripts/evidence/classify/docker/test_container_entrypoint.py（沿用，加 case）

本 FR 原本只規劃 xlsx/pptx 抽文字，但 2026-05-30 的 task arc 一路長成「證據分類器全面強化」。實際交付遠超原 design，以下逐條對齊：

關鍵決策軌跡（詳見 analysis）

• 分類落差三分法：辨識缺口（可 prompt 修）/ 字母粒度（B 規則）/ User 標籤爭議（改模型無解，需修 ground truth）。詳見 docs/analysis/2026-05-30-cmmc-evidence-classification-accuracy-gap.md
• 不降 confidence 門檻：用 prompt 讓對的 AO 信心升高，而非降門檻（會惡化過配）
• prompt 收斂到此為止：過配 22→8 後，剩餘多為單一頑固檔，再追會過擬合此資料集
• 內嵌圖只在「有圖」才轉 PDF：避免 text-only 文件白付 vision 成本

對話紀錄

docs/conversation-history/2026-05-30/evidence-classify-arc/（逐輪 dump，2 parts）