Office 문서에서 텍스트 추출

Office Oxide는 단일 진입점 — extract_text()(또는 Document.open(...).plain_text()) — 으로 DOCX, XLSX, PPTX, DOC, XLS, PPT 모두에 대해 동일하게 작동합니다. 형식별 코드 분기가 필요 없습니다.

한 줄 호출

가장 빠른 방법: 함수 한 번 호출로 파일을 열고, 형식에 맞는 추출기를 돌리고, 문자열을 반환합니다.

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");

재사용 가능한 핸들

텍스트뿐 아니라 다른 출력(Markdown, HTML, IR)도 필요하면 문서를 한 번 열고 핸들을 재사용하세요:

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();

형식별 출력

형식	출력
DOCX	문서 순서의 본문 + 머리글/바닥글; 소프트 하이픈 제거
XLSX	각 시트의 셀 값, 행 안에서는 탭 구분, 시트 사이에는 빈 줄
PPTX	슬라이드 제목, 본문 자리표시자, 표 셀, 노트 — 슬라이드별 단락 블록
DOC	DOCX와 같은 형태 — CFB piece-table에서 직접 파싱
XLS	XLSX와 같은 형태 — BIFF8 레코드에서 직접 파싱
PPT	PPTX와 같은 형태 — PowerPoint Document 스트림에서 파싱

바이트에서 (임시 파일 불필요)

서버리스, 스트리밍 파이프라인에서 유용합니다.

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();

성능

형식	평균	p99	통과율
DOCX (2,538 파일)	0.8ms	3.9ms	98.9%
XLSX (1,802 파일)	5.0ms	40ms	97.8%
PPTX (806 파일)	0.7ms	3.9ms	98.4%
DOC (246 파일)	0.3ms	3.4ms	94.7%
XLS (494 파일)	2.8ms	75ms	99.2%
PPT (176 파일)	0.7ms	6.6ms	100%

전체 벤치마크 방법론은 성능 참고.

더 보기

• Markdown 추출 — 같은 API, GitHub Flavored 출력
• HTML 추출 — 미리보기/임베드용 시맨틱 HTML
• 형식 무관 IR — 파이프라인과 LLM용 구조화 JSON
• 표 — XLSX, DOCX, PPTX에서 구조화된 행 추출