Formatos Suportados no Upload

Seu acervo raramente é só PDF: relatórios em Word, planilhas de execução, apresentações, páginas salvas em HTML — e tudo isso muitas vezes compactado em um ZIP. A página de Upload aceita documentos Office (DOCX, XLSX, PPTX) e HTML como arquivo, inclusive dentro de pacotes ZIP/TAR/GZ. Cada formato é extraído preservando a estrutura (seções, planilhas, slides) e segue pelo mesmo caminho de sempre: divisão em trechos, vetores semânticos, identificação de entidades, grafo e busca. Você envia o que tem, do jeito que tem.

Este guia detalha o que é aceito, os limites e as regras de rejeição. O fluxo geral de upload — contexto de destino, fila de lotes, acompanhamento — está no guia de upload e ingestão.

1. Formatos aceitos

Arquivo fora da lista é recusado com:

"Formato de arquivo não suportado: .<ext>. Formatos aceitos: PDF, DOCX, XLSX, PPTX, HTML, TXT, CSV, JSON, XML, MD, TSV e LOG."

2. Limites por formato

Estes são os valores padrão. O administrador pode ajustá-los na instalação pelas variáveis de ambiente indicadas.

Excedeu o limite do formato? A mensagem é:

"O arquivo "<nome>" excede o limite de <N> MB para o formato <FORMATO>. Divida o conteúdo em arquivos menores e envie novamente."

Por que DOCX e PPTX têm teto menor? Porque a leitura desses dois formatos carrega o arquivo em memória. O XLSX usa leitura em fluxo contínuo (SAX) e por isso aceita arquivos bem maiores sem risco de esgotar a memória do serviço.

3. Regras de rejeição (segurança)

Toda validação acontece antes de o arquivo tocar o extrator, e a recusa volta como erro de validação (HTTP 422) com mensagem em português — nunca um rastro de erro técnico. As mensagens abaixo são as reais do sistema:

Como funciona por baixo: a validação confere a extensão, depois os limites, depois os magic bytes (%PDF, a assinatura ZIP PK.. dos formatos Office atuais, a assinatura OLE2 do Office legado) e, por fim, o conteúdo do container Office — [Content_Types].xml mais a parte principal (word/, xl/ ou ppt/), inspecionando no máximo 500 entradas. As proteções globais contra arquivos-bomba nos formatos Office são razão mínima de descompressão 0.01, entrada máxima de 256 MB e no máximo 10.000 entradas — todas configuráveis pelas variáveis DATTA_OOXML_*.

4. Como cada formato vira seções

O texto extraído é dividido em seções, e são elas que orientam a divisão em trechos e as citações que a busca devolve.

Depois da extração, nada muda em relação aos formatos antigos: divisão em trechos (200 palavras com sobreposição de 30), vetores semânticos automáticos, identificação de entidades com o modelo do contexto, gravação no grafo e nos índices, linhagem completa — e o arquivo original é armazenado com hash SHA-256, recuperável na tela do documento.

Identificação de entidades em documentos longos

A identificação de entidades não trunca mais o texto nos primeiros 10.000 caracteres. Documentos maiores que uma janela (DATTA_NER_WINDOW_CHARS, padrão 40.000 caracteres) são divididos em janelas alinhadas em quebras de parágrafo e analisados em paralelo controlado (DATTA_NER_CONCURRENCY, padrão 2 — o número baixo protege a cota por minuto do provedor de IA). As entidades e os relacionamentos das janelas são fundidos com deduplicação: mesmo tipo mais mesmo nome resultam em uma única entidade, e propriedades complementares são mescladas.

O custo de IA é limitado por documento: no máximo DATTA_NER_MAX_WINDOWS janelas (padrão 24, o equivalente a ~960 mil caracteres). Se o documento tem mais janelas que isso, elas são distribuídas uniformemente entre início, meio e fim, e o arquivo termina com o aviso "NER cobriu N de M trechos do documento (amostragem distribuída…)". Amplie DATTA_NER_MAX_WINDOWS quando a cobertura total compensar o custo.

5. Pacotes (ZIP/TAR/GZ)

Os formatos novos funcionam também dentro de pacotes, no upload em lote: cada arquivo processável extraído entra na mesma fila do hub de execuções. Caminhos maliciosos (zip-slip) são ignorados e o total descomprimido é limitado a 500 MB por pacote.

Exemplo prático — um ZIP com relatório, planilha e slides

1. Você tem prestacao-contas-2026.zip com relatorio.docx (12 MB), execucao.xlsx (40 MB) e apresentacao.pptx (18 MB).
2. Em Processar›Upload, selecione o contexto de destino e envie o ZIP.
3. A plataforma descompacta com segurança e cada arquivo entra na mesma fila de processamento, visível no grupo do lote.
4. Ao final: o relatório virou seções por título, cada aba da planilha virou uma seção com as linhas como exibidas, e cada slide — inclusive as notas do apresentador — virou uma seção própria.
5. Pesquise um termo do relatório: o resultado cita a seção de origem, e o arquivo original continua disponível na tela do documento.

6. Solução de problemas