Skip to content
Office Oxide

フォーマット非依存の IR

DocumentIR は Office Oxide のフォーマット間構造的ブリッジです。.docx、.xlsx、レガシーな .ppt を開くと、同じ形が返ります — セクションのリストで、各セクションにはタイプ付きの要素（見出し、段落、テーブル、リスト、画像）の列があります。

IR は to_html、save_as、レガシー → OOXML 変換を支えます。下流のパイプライン — 検索インデックス、RAG チャンカー、カスタムレンダラ — にとっても適切なサーフェスです。1 つのスキーマ を処理すればよく、6 つの形式固有のスキーマを扱う必要がありません。

IR を読む

Rust

use office_oxide::Document;

let doc = Document::open("report.docx")?;
let ir = doc.to_ir();

for section in &ir.sections {
    println!("{:?}", section.title);
    for el in &section.elements {
        // el は Element 列挙型 — Heading、Paragraph、Table、List、Image など
    }
}

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()

for section in ir["sections"]:
    print(section.get("title"))
    for el in section["elements"]:
        kind = el["kind"]   # "Heading" | "Paragraph" | "Table" | "List" | "Image"

JavaScript

using doc = Document.open('report.docx');
const ir = doc.toIr();

for (const section of ir.sections) {
  for (const el of section.elements) {
    // el.kind: "Heading" | "Paragraph" | "Table" | "List" | "Image"
  }
}

Go

import "encoding/json"

irJSON, _ := doc.ToIRJSON()

var ir struct {
    Sections []struct {
        Title    *string           `json:"title"`
        Elements []json.RawMessage `json:"elements"`
    } `json:"sections"`
}
_ = json.Unmarshal([]byte(irJSON), &ir)

C#

using System.Text.Json;

using var doc = Document.Open("report.docx");
using var ir = JsonDocument.Parse(doc.ToIrJson());

foreach (var section in ir.RootElement.GetProperty("sections").EnumerateArray())
{
    // ...
}

スキーマ

形は意図的に小さく安定しています。

{
  "sections": [
    {
      "title": "オプションのセクションタイトル",     // string | null
      "elements": [
        { "kind": "Heading", "level": 1, "text": "..." },
        { "kind": "Paragraph", "runs": [
            { "text": "Hello ", "bold": false, "italic": false },
            { "text": "world", "bold": true,  "italic": false }
        ] },
        { "kind": "List", "ordered": true, "items": ["one", "two"] },
        { "kind": "Table", "rows": [
            ["A1", "B1"],
            ["A2", "B2"]
        ] },
        { "kind": "Image", "filename": "image1.png", "data": "<base64>" }
      ]
    }
  ]
}

フォーマットごとのマッピング:

フォーマット セクション境界 注
DOCX <w:sectPr> ごとに 1 セクション（なければ body 全体） 見出しは w:pStyle で識別
XLSX ワークシートごとに 1 セクション title = シート名; 使用範囲ごとに 1 つの Table 要素
PPTX スライドごとに 1 セクション title = スライドタイトルプレースホルダ; ノートは最後の段落として付加
DOC / XLS / PPT OOXML 同等品と同じ形 レガシー CFB パイプライン経由でパース

なぜ IR を使うのか

  • 1 度ビルドして何度もレンダー。DOCX、XLSX、PPTX を同じ形に変換し、単一の検索/チャンク化パイプラインを実行。
  • フォーマット変更を生き延びる LLM コンテキスト。ソースが .doc から .docx に移行してもスキーマはドリフトしません。
  • save_as でラウンドトリップ。IR を編集してから、サポートされている任意のフォーマットで新しいドキュメントを書き出す。
use office_oxide::create::create_from_ir;
use office_oxide::DocumentFormat;

create_from_ir(&ir, DocumentFormat::Docx, "out.docx")?;

シリアライズ

Rust の DocumentIR は Serialize / Deserialize（serde 経由）を派生。Python の to_ir() はプレーンな dict を返します（既に JSON シリアライズ可能）。Node、Go、C#、C バインディングは to_ir_json() / ToIRJSON() / ToIrJson() で JSON 文字列を公開します。

関連項目