Skip to content
Office Oxide

IR independente de formato

DocumentIR é a ponte estrutural do Office Oxide entre formatos. Abra um .docx, um .xlsx ou um .ppt legado — você sempre recebe a mesma forma: uma lista de seções, cada uma com uma sequência de elementos tipados (títulos, parágrafos, tabelas, listas, imagens).

O IR sustenta to_html, save_as e a conversão legado → OOXML. Também é a superfície certa para pipelines downstream — índices de busca, chunkers de RAG, renderizadores próprios — porque você processa um único schema em vez de seis específicos por formato.

Ler o IR

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 é um enum Element — Heading, Paragraph, Table, List, Image, ...
    }
}

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())
{
    // ...
}

Schema

A forma é deliberadamente pequena e estável.

{
  "sections": [
    {
      "title": "Título de seção opcional",     // 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>" }
      ]
    }
  ]
}

Mapeamento por formato:

Formato Limite de seção Notas
DOCX Uma seção por <w:sectPr> (ou o body inteiro se não houver) Títulos chaveados por w:pStyle
XLSX Uma seção por planilha title = nome da planilha; um Table por intervalo usado
PPTX Uma seção por slide title = placeholder do título do slide; notas anexadas como último parágrafo
DOC / XLS / PPT Mesma forma dos correspondentes OOXML Parseados pelo pipeline legado de CFB

Por que usar o IR

  • Construa uma vez, renderize de várias formas. Converta DOCX, XLSX e PPTX para a mesma forma e rode um único pipeline de busca/chunking.
  • Contexto LLM que sobrevive a mudanças de formato. O schema não muda quando os documentos migram de .doc para .docx.
  • Round-trip com save_as. Edite o IR e escreva um novo documento em qualquer formato suportado.
use office_oxide::create::create_from_ir;
use office_oxide::DocumentFormat;

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

Serialização

O DocumentIR em Rust deriva Serialize / Deserialize (via serde). O to_ir() em Python devolve um dict puro (já serializável em JSON). Os bindings Node, Go, C# e C expõem strings JSON via to_ir_json() / ToIRJSON() / ToIrJson().

Veja também