Skip to content
Office Oxide

Извлечение текста из Office-документов

Office Oxide даёт единственную точку входа — extract_text() (или Document.open(...).plain_text()), которая одинаково работает для DOCX, XLSX, PPTX, DOC, XLS и PPT. Никаких форматных веток.

Одноразовый помощник

Самый быстрый путь: один вызов открывает файл, запускает подходящий извлекатель и возвращает строку.

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");

Переиспользуемый handle

Если кроме текста нужны и другие выходы (Markdown, HTML, IR) — открывайте документ один раз и переиспользуйте handle:

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();

Что получаете для каждого формата

Формат Вывод
DOCX Текст body в порядке документа + колонтитулы; мягкие переносы удаляются
XLSX Значения ячеек по всем листам; внутри строки — табы, между листами — пустая строка
PPTX Заголовок слайда, body-плейсхолдеры, ячейки таблиц и заметки — один блок-параграф на слайд
DOC Та же форма, что и DOCX — парсится прямо из piece-table CFB
XLS Та же форма, что и XLSX — парсится прямо из записей BIFF8
PPT Та же форма, что и PPTX — парсится из стрима PowerPoint Document

Из байтов (без temp-файла)

Удобно для serverless и стриминговых пайплайнов.

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();

Производительность

Формат Среднее p99 Pass rate
DOCX (2 538 файлов) 0.8 мс 3.9 мс 98.9%
XLSX (1 802 файла) 5.0 мс 40 мс 97.8%
PPTX (806 файлов) 0.7 мс 3.9 мс 98.4%
DOC (246 файлов) 0.3 мс 3.4 мс 94.7%
XLS (494 файла) 2.8 мс 75 мс 99.2%
PPT (176 файлов) 0.7 мс 6.6 мс 100%

Полная методология бенчмарков — Производительность.

Смотрите также