在真實應用場景中，許多 PDF 檔案的網址並不會以 .pdf 結尾。如果系統僅依靠「網址字串長相」來決定處理方式，這些 PDF 會被錯誤地送進一般網頁的處理通道。這會導致爬蟲套件強制讀取二進位亂碼，而 AI 則可能根據殘留的 Metadata（如標題、作者）產生嚴重的 Hallucination，自行編造出根本不存在的內文摘要。為了解決這個漏洞，我們必須將判斷資料格式的責任從 n8n 轉移到後端 FastAPI。
系統不再瞎猜網址，而是由 FastAPI 發送請求後，直接讀取伺服器真實回傳的 Content Type。若是 application/pdf 就交由 PDF 引擎解析；若是 text/html 則交由網頁爬蟲處理。這正是系統設計中「關注點分離」的最佳實踐。

因此我們需要修改原來的 /extract-url ，讓原本的網頁萃取功能升級為強大的 /extract-url 動態處理端點

1. 安裝套件
   確保環境有安裝以下套件

pip install requests pypdf trafilatura

2. 修改 main.py
   確保程式碼有 import 以下套件

import requests
import io
import trafilatura
from pypdf import PdfReader
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel

並且將原本的 @app.post("/extract-web") 部分程式碼改為以下內容:

@app.post("/extract-url")
def extract_url(data: URLRequest):
    try:
        response = requests.get(data.url, timeout=10)
        if response.status_code != 200:
            raise HTTPException(status_code=400, detail="無法讀取該網址")
            
        content_type = response.headers.get('Content-Type', '').lower()
        
        if 'application/pdf' in content_type:
            pdf_stream = io.BytesIO(response.content)
            reader = PdfReader(pdf_stream)
            text = "".join([page.extract_text() for page in reader.pages if page.extract_text()])
            
            if not text.strip():
                raise ValueError("無法從此 PDF 萃取文字（可能為圖片掃描檔）")
                
        else:
            text = trafilatura.extract(response.content)
            if not text:
                raise ValueError("無法萃取網頁正文")

        return {
            "status": "success",
            "type": "pdf" if 'application/pdf' in content_type else "web",
            "text": text
        }
        
    except Exception as e:
        raise HTTPException(status_code=500, detail=f"網址解析失敗: {str(e)}")

修改完程式碼後要將 n8n 中處理 網址的 HTTP Request 節點的設定稍微修改，要將此節點的url修改成 http://host.docker.internal:8000/extract-url ，因為有修改他的名字。
這樣再去傳 pdf 網址的時候，就不會讀到二進制的亂碼，會成功讀到我們可以閱讀的文字。