Skip to content
Office Oxide

Office ドキュメントからテキストを抽出

Office Oxide は唯一のエントリポイント extract_text()（または Document.open(...).plain_text()）を、DOCX、XLSX、PPTX、DOC、XLS、PPT すべてで同じように動作させます。フォーマット固有のコードパスは不要。

ワンショットヘルパー

最速の方法: 1 つの関数呼び出しでファイルを開き、フォーマットに応じた抽出を実行し、文字列を返します。

Rust

use office_oxide::extract_text;

let text = extract_text("report.docx")?;
println!("{text}");

Python

import office_oxide

text = office_oxide.extract_text("report.docx")
print(text)

JavaScript

import { extractText } from 'office-oxide';

console.log(extractText('report.docx'));

Go

import officeoxide "github.com/yfedoseev/office_oxide/go"

text, err := officeoxide.ExtractText("report.docx")

C#

using OfficeOxide;

string text = OfficeOxide.ExtractText("report.docx");

再利用可能なハンドル

テキスト + 他の出力（Markdown、HTML、IR）が必要なら、ドキュメントを一度だけ開いてハンドルを再利用:

Rust

use office_oxide::Document;

let doc = Document::open("report.docx")?;
let text = doc.plain_text();
let md   = doc.to_markdown();

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    text = doc.plain_text()
    md   = doc.to_markdown()

JavaScript

import { Document } from 'office-oxide';

using doc = Document.open('report.docx');
const text = doc.plainText();
const md   = doc.toMarkdown();

フォーマット別の出力内容

フォーマット 出力
DOCX ドキュメント順の本文、ヘッダ、フッタ。ソフトハイフン除去
XLSX 各シートのセル値、行内はタブ区切り、シート間は空行
PPTX スライドタイトル、本文プレースホルダ、テーブルセル、ノート — スライドごとに段落ブロック
DOC DOCX と同じ形 — CFB ピーステーブルから直接パース
XLS XLSX と同じ形 — BIFF8 レコードから直接パース
PPT PPTX と同じ形 — PowerPoint Document ストリームからパース

バイトから（一時ファイル不要）

サーバーレス・ストリーミングのパイプラインに有効。

Python

import requests
from office_oxide import Document

data = requests.get("https://example.com/report.docx").content
with Document.from_bytes(data, "docx") as doc:
    print(doc.plain_text())

JavaScript

import { Document } from 'office-oxide';

const res = await fetch('https://example.com/report.docx');
const data = new Uint8Array(await res.arrayBuffer());
using doc = Document.fromBytes(data, 'docx');
console.log(doc.plainText());

Rust

use std::io::Cursor;
use office_oxide::{Document, DocumentFormat};

let data = std::fs::read("report.docx")?;
let doc = Document::from_reader(Cursor::new(data), DocumentFormat::Docx)?;
let text = doc.plain_text();

パフォーマンス

フォーマット 平均 p99 通過率
DOCX (2,538 ファイル) 0.8ms 3.9ms 98.9%
XLSX (1,802 ファイル) 5.0ms 40ms 97.8%
PPTX (806 ファイル) 0.7ms 3.9ms 98.4%
DOC (246 ファイル) 0.3ms 3.4ms 94.7%
XLS (494 ファイル) 2.8ms 75ms 99.2%
PPT (176 ファイル) 0.7ms 6.6ms 100%

詳細な計測手順は パフォーマンス を参照。

関連項目