Skip to content
Office Oxide

Office 문서에서 텍스트 추출

Office Oxide는 단일 진입점 — extract_text()(또는 Document.open(...).plain_text()) — 하나로 DOCX, XLSX, PPTX, DOC, XLS, PPT 모두를 처리합니다. 형식마다 별도의 코드가 필요 없습니다.

단일 호출 헬퍼

가장 빠른 방법: 함수 하나로 파일을 열고, 형식에 맞는 추출기를 실행하고, 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");

C

int err = 0;
char *text = office_extract_text("report.docx", &err);
if (text) {
    printf("%s\n", text);
    office_oxide_free_string(text);
}

재사용 가능한 핸들

텍스트뿐만 아니라 다른 출력(Markdown, HTML, IR)도 필요하다면, 문서를 한 번만 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();

C

int err = 0;
OfficeDocumentHandle *doc = office_document_open("report.docx", &err);
if (!doc) { fprintf(stderr, "open failed: code=%d\n", err); return 1; }

char *text = office_document_plain_text(doc, &err);
char *md   = office_document_to_markdown(doc, &err);
/* use text / md ... */
office_oxide_free_string(text);
office_oxide_free_string(md);
office_document_free(doc);

형식별 출력 내용

형식 출력
DOCX 문서 순서대로 본문 텍스트 + 머리글/바닥글; 소프트 하이픈 제거
XLSX 모든 시트의 셀 값, 행 안에서는 탭 구분, 시트 사이에는 빈 줄
PPTX 슬라이드 제목, 본문 자리 표시자, 표 셀, 노트 — 슬라이드마다 하나의 단락 블록
DOC DOCX와 동일한 구조 — CFB piece-table에서 직접 파싱
XLS XLSX와 동일한 구조 — BIFF8 레코드에서 직접 파싱
PPT PPTX와 동일한 구조 — PowerPoint Document 스트림에서 파싱

바이트에서 읽기 (임시 파일 불필요)

서버리스 및 스트리밍 파이프라인에서 유용합니다.

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();

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());

C

/* format must be one of: "docx" "xlsx" "pptx" "doc" "xls" "ppt" (lowercase) */
int err = 0;
OfficeDocumentHandle *doc =
    office_document_open_from_bytes(data, len, "docx", &err);
if (doc) {
    char *text = office_document_plain_text(doc, &err);
    if (text) { printf("%s\n", text); office_oxide_free_string(text); }
    office_document_free(doc);
}

WASM

import { WasmDocument } from 'office-oxide-wasm';

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

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 성능을 참고하세요.

더 보기

  • Markdown 추출 — 동일한 API, GitHub-flavored 출력
  • HTML 추출 — 미리보기 및 임베드용 시맨틱 HTML
  • 형식 무관 IR — 파이프라인과 LLM을 위한 구조화된 JSON
  • 표 — XLSX, DOCX, PPTX에서 구조화된 행 추출