🚀 API Documentation Parser for MCP Servers

Intelligent PDF API documentation parser with web interface for MCP server creation

Transform any PDF API documentation into structured MCP-ready data with 85%+ accuracy and HIGH quality results

Интеллектуальный парсер PDF документации API с веб-интерфейсом для создания MCP серверов

🎯 Описание

Этот проект автоматически преобразует PDF документацию API в структурированные данные для создания MCP (Model Context Protocol) серверов. С помощью интеллектуальных алгоритмов извлекает endpoints, заголовки, параметры и ответы API.

✨ Возможности

• 📄 Парсинг PDF документации с высокой точностью
• 🎯 Автоматическое извлечение endpoints, headers, parameters, responses
• 🧠 Интеллектуальная категоризация API методов (13 категорий)
• 🔧 Готовые данные для MCP серверов в формате JSON
• 🌐 Веб-интерфейс для загрузки и обработки документов
• 📊 Детальная отчетность о качестве парсинга
• ✅ HIGH качество результатов (85%+ MCP готовности)

🏆 Результаты

Флагманские показатели:

• ✅ MCP готовность: 85.5% (HIGH качество)
• ✅ Качество titles: 99.2%
• ✅ Качество descriptions: 90.9%
• ✅ Headers: 100% покрытие
• ✅ Responses: 90.9% покрытие

Статистика парсинга:

📊 Fleethand API (пример):
├── 121 endpoints извлечено
├── 242 headers обработано
├── 47 parameters найдено
├── 110 responses документировано
└── 13 категорий классифицировано

🚀 Быстрый старт

Установка

git clone https://github.com/your-username/api-doc-parser.git
cd api-doc-parser
pip install -r requirements.txt

Использование через CLI

# Парсинг PDF документации
python fleethand_ultimate_parser.py

# Результаты будут сохранены в ultimate_final_data/

Веб-интерфейс

# Запуск веб-сервера
python web_interface.py

# Откройте http://localhost:5000 в браузере

📁 Структура результатов

ultimate_final_data/
├── endpoints_ultimate_final.json      # Все endpoints для MCP tools
├── mcp_server_ultimate_final.json     # Готовый MCP server config
└── quality_report_ultimate_final.json # Отчет о качестве

Пример endpoint:

{
  "operation_id": "get__api_drivers",
  "method": "GET",
  "path": "/api/drivers",
  "summary": "Get drivers information",
  "description": "This method returns information about client drivers",
  "category": "drivers",
  "headers": [
    {
      "name": "apiKey",
      "data_type": "String",
      "required": true,
      "description": "Encoded api key"
    }
  ],
  "parameters": [],
  "responses": [
    {
      "status_code": "200",
      "description": "Successful response",
      "schema": {...}
    }
  ]
}

🔧 Архитектура

Ключевые компоненты:

1. PDF Text Extraction - Извлечение текста из PDF (PyMuPDF)
2. Intelligent Parsing - Множественные алгоритмы анализа
3. Quality Scoring - Система оценки качества результатов
4. MCP Generation - Автоматическое создание MCP структур
5. Web Interface - Удобный веб-интерфейс

Алгоритмы парсинга:

• 🎯 Smart Title Detection - Интеллектуальное определение заголовков
• 📝 Context-Aware Description Extraction - Извлечение описаний по контексту
• 🏷️ Advanced Categorization - Категоризация по 13 типам
• ✅ Auto JSON Validation - Автоматическая валидация и исправление

🌟 Особенности

Интеллектуальные возможности:

• Построчный парсинг headers и parameters
• Множественные стратегии поиска descriptions
• Автоисправление JSON структур
• Валидация данных на всех этапах
• Подробная метрика качества

Категории API:

activities, drivers, vehicles, documents, tasks, partners, orders, eco, reports, tacho, locations, payments, forms, general

📊 Веб-интерфейс

Функциональность:

1. Загрузка PDF - Простой drag & drop интерфейс
2. Настройки парсинга - Выбор параметров обработки
3. Прогресс обработки - Реальное время выполнения
4. Результаты - Интерактивное отображение данных
5. Экспорт - Скачивание в различных форматах

Технологии:

• Backend: Flask/FastAPI
• Frontend: HTML5, CSS3, JavaScript
• Processing: Python 3.8+
• PDF: PyMuPDF
• Data: JSON Schema validation

📈 Качество результатов

Метрики качества:

MCP Readiness Score = 
  (Title Quality × 0.20) +
  (Description Quality × 0.30) + 
  (Headers Coverage × 0.15) +
  (Parameters Coverage × 0.15) +
  (Responses Coverage × 0.15) +
  (Average Quality Score × 0.05)

Уровни качества:

• HIGH: 85%+ MCP готовности + 60%+ descriptions
• MEDIUM: 75%+ MCP готовности + 40%+ descriptions
• LOW: Менее 75% MCP готовности

🛠️ Требования

Python >= 3.8
PyMuPDF >= 1.23.0
Flask >= 2.0.0 (для веб-интерфейса)
requests >= 2.25.0
dataclasses-json >= 0.5.0

📝 Лицензия

MIT License - подробности в LICENSE

🤝 Вклад в проект

Мы приветствуем вклад в развитие проекта! Пожалуйста:

1. Fork репозиторий
2. Создайте feature branch (git checkout -b feature/amazing-feature)
3. Commit изменения (git commit -m 'Add amazing feature')
4. Push в branch (git push origin feature/amazing-feature)
5. Откройте Pull Request

📞 Поддержка

Если у вас есть вопросы или предложения:

• 🐛 Issues
• 💬 Discussions
• 📧 Email: your-email@example.com

🎯 Roadmap

• Поддержка других форматов документации (Word, HTML)
• REST API для интеграции
• Docker контейнеризация
• Облачное развертывание
• Поддержка OpenAPI 3.1
• Machine Learning улучшения

---

⭐ Понравился проект? Поставьте звездочку!

Создано с ❤️ для сообщества разработчиков MCP серверов