文件格式
如果你想确切知道 omem ingest 都能读哪些东西、每种格式归哪个引擎管、图片和 OCR 与整理器在各格式下分别怎么表现，那就看这一页。解析链是一个第一等的设计考量，不是事后才补的边角料——所以这一页会把每种格式到底能拿到什么，讲得很具体。
一个文件被怎么处理，由三组互不相干的设置决定：把它转成 Markdown 的解析器（parser）、对里面图片生效的图片策略，以及写出最终 wiki 页的整理器模式（curator mode）。下面是每种格式连同它的默认值：
| 格式 | 解析库 | 图片默认 | 整理器默认 |
|---|---|---|---|
| pymupdf4llm（保留版式）+ RapidOCR | ocr | llm-full | |
| DOCX | python-docx | vlm | llm-full |
| PPTX | python-pptx | vlm | llm-full |
| XLSX / .xls / .xlsm / .ods | calamine（表格）+ openpyxl（图片） | vlm | llm-full |
| Markdown | 原样直通（逐字保留） | — | frontmatter-only |
| 纯文本 / CSV / TSV / JSON | 原样直通 | — | frontmatter-only |
| HTML | BeautifulSoup + markdownify | — | llm-full |
| 邮件（.eml / .msg） | 标准库 email / extract-msg | vlm（内联图） | — （mail kind） |
| 日历（.ics） | icalendar | — | — （calendar kind） |
| 图片（png/jpeg/gif/webp/tiff/emf） | Pillow（EMF/WMF 另加 LibreOffice） | vlm | — |
表里有两个开关可以按格式单独调——见配置 schema 里的 parser.images.* 和 curator.mode.*，那里把每个取值都讲全了。第三个开关 ingest.formats.* 是个总闸，管某种格式在所有 source 上的整体开关。这一页给的是逐格式的视角；配置页给的是逐取值的视角。
每种格式分别能拿到什么
Section titled “每种格式分别能拿到什么”Office 文档——图片不丢
Section titled “Office 文档——图片不丢”OMem 跟那种”转成文本、视觉信息全丢光”的工具最大的区别，就是它把图片留下来并描述出来。
- PDF 走 pymupdf4llm，保留版式。嵌进去的图片默认走 OCR（PDF 大多是文字，对每一页都上视觉模型会白烧不少 token、收益却很小）；要是某一页几乎抽不出文字，就当它是扫描件，转去走视觉模型。
- DOCX / PPTX / XLSX 由确定性的 Office 库解析，里面嵌的图片默认走
vlm——视觉模型就地写一段描述。这样一来，PPT 里的图、图表截图、贴进去的屏幕截图都变成了可搜索的文字，而不是凭空消失。
Markdown、文本、数据文件——原样不动
Section titled “Markdown、文本、数据文件——原样不动”Markdown、纯文本、CSV、TSV、JSON 都是逐字直通——没有任何 LLM 去重写正文。它们本来就结构清晰，所以整理器跑在 frontmatter-only 模式：只写一段摘要和标签，正文逐字节照搬。（这里有个反直觉的好处：逐字保留的正文，把精确的数字和结构都留住了，而一次彻底重写反倒可能把这些抹平。）
邮件和日历——渲染成一整页
Section titled “邮件和日历——渲染成一整页”邮件和日历不是 file 意义上的”文件”，它们是 mail 和 calendar 这两个 kind。一整条邮件线程会渲染成单独一页（信头、正文、内联图片），附件则递归地走这同一张总览表——一份作为邮件附件的 PDF，照样按 PDF 的方式处理。日历事件渲染时带上时间、地点、组织者和与会人。
图片——描述出来，EMF 也能搞定
Section titled “图片——描述出来，EMF 也能搞定”一个独立的图片文件，由视觉模型描述。EMF/WMF（Office 特别爱往里嵌的那种矢量格式）会先转成 PNG——Pillow 先试，LibreOffice 那个无头的 soffice 是更靠得住的兜底——这样这些图就不会变成死胡同。
图片怎么被描述出来：OCR 还是 VLM
Section titled “图片怎么被描述出来：OCR 还是 VLM”当 parser.images.<fmt> 设成 vlm，一张图只在值得的时候才送去视觉模型。OMem 会先把装饰性的图筛掉，省得你为描述图标和占位间隔花冤枉钱：
| 场景 | 在什么条件下送去视觉模型 |
|---|---|
| 独立图片文件 | 总是送（除非任意一边 < 100 px） |
| PowerPoint 幻灯片里的图 | 显示尺寸每边 ≥ 80 px 且 不是小于 200×200 的小图章 |
| Word 段落图（独占一行） | 总是送（独占一行的图就是内容） |
| Word 内联图 | 两边都 ≥ 200 px（更小的算图标） |
| Excel 单元格图 | 总是送（Excel 里的图很少是装饰） |
| 邮件/日历内联图 | ≥ 5 KB 或 ≥ 100×100 px（跳过追踪像素和签名档美化图） |
OCR（PDF 的默认选择）用的是 RapidOCR，它对中英文混排处理得很好。为了在图片密集的文档上把内存控制住，OCR 跑在一个子进程里、每处理 parser.ocr_subprocess_batch 张图就重启一次；另有一个按文档计的上限（parser.max_images_per_doc，默认 200），与其让内存一路膨胀，不如把长尾的那些图跳过——任何被跳过的都会写进日志，绝不会悄没声地丢掉。
关掉某种格式
Section titled “关掉某种格式”想在所有地方都不再摄入某种格式——比如你压根不想给表格建索引：
omem config set ingest.formats.xlsx false想继续摄入某种格式、但不再描述它里面的图片（比如跳过邮件签名档的美化图）：
omem config set parser.images.mail off两者都在下一次跑的时候生效。已有的页面不会被删——只是那种格式的页面不再被刷新了。