documentParser

Multiple File Parser

複数のドキュメント形式（PDF、DOCX、PPTX、テキストファイルなど）からテキストを抽出するGoライブラリです。

特徴

• 🚀 複数フォーマット対応: PDF、DOCX、PPTX、Excel、およびテキストファイルをサポート
• 📦 柔軟なパース方法: ファイルパス、バイト配列、io.ReaderAtの3つの方法でパース可能
• 🔌 拡張可能: ファクトリーパターンを採用し、カスタムパーサーの追加が容易
• 🎯 シンプルなAPI: 統一されたインターフェースで簡単に使用可能

サポートするフォーマット

インストール

go get github.com/obutora/multiple_file_parser

使い方

基本的な使用例

package main

import (
    "fmt"
    "log"
    
    service "github.com/obutora/multiple_file_parser"
)

func main() {
    // ファクトリーを作成
    factory := service.NewDocumentParserFactory()
    
    // 拡張子に基づいてパーサーを取得
    parser, err := factory.GetParser(".pdf")
    if err != nil {
        log.Fatal(err)
    }
    
    // ファイルをパース
    content, err := parser.ParseFromFile("document.pdf")
    if err != nil {
        log.Fatal(err)
    }
    
    fmt.Println(content)
}

3つのパース方法

1. ファイルパスからパース

parser, _ := factory.GetParser(".pdf")
content, err := parser.ParseFromFile("document.pdf")

2. バイト配列からパース

data := []byte("テキストの内容")
parser, _ := factory.GetParser(".txt")
content, err := parser.ParseFromBytes(data)

3. io.ReaderAtからパース

file, _ := os.Open("document.pdf")
defer file.Close()

stat, _ := file.Stat()
parser, _ := factory.GetParser(".pdf")
content, err := parser.ParseFromReader(file, stat.Size())

シート/ページごとのパース（Excel等）

Excelファイルのように複数のシートを持つドキュメントの場合、シートごとに内容を分けて取得することができます。

factory := service.NewDocumentParserFactory()

// シート名をキー、内容を値とするマップを取得
sheets, err := factory.ParseFromFileWithPages("spreadsheet.xlsx")
if err != nil {
    log.Fatal(err)
}

for name, content := range sheets {
    fmt.Printf("--- Sheet: %s ---\n%s\n", name, content)
}

この機能は以下のメソッドで利用可能です：

• ParseFromFileWithPages(filePath string)
• ParseFromBytesWithPages(ext string, data []byte)
• ParseFromReaderWithPages(ext string, reader io.ReaderAt, size int64)

※ 対応していないファイル形式の場合は、全体を一つのコンテンツとしてマップ（キー: "Content"）に入れて返します。

サポートされている拡張子の確認

factory := service.NewDocumentParserFactory()
extensions := factory.SupportedExtensions()

for _, ext := range extensions {
    fmt.Println(ext)
}

カスタムパーサーの追加

独自のパーサーを作成して登録することができます：

// カスタムパーサーを実装
type CustomParser struct {
    service.BaseParser
}

func (p *CustomParser) SupportedExtensions() []string {
    return []string{".custom"}
}

func (p *CustomParser) ParseFromReader(reader io.ReaderAt, size int64) (string, error) {
    // パース処理を実装
    return "parsed content", nil
}

// ファクトリーに登録
factory := service.NewDocumentParserFactory()
factory.RegisterParser(&CustomParser{})

API リファレンス

DocumentParser インターフェース

すべてのパーサーは以下のインターフェースを実装します：

type DocumentParser interface {
    ParseFromReader(reader io.ReaderAt, size int64) (string, error)
    ParseFromBytes(data []byte) (string, error)
    ParseFromFile(filePath string) (string, error)
    SupportedExtensions() []string
}

DocumentParserFactory

パーサーの管理と取得を行うファクトリークラス：

• NewDocumentParserFactory(): 新しいファクトリーインスタンスを作成
• GetParser(extension string): 拡張子に対応するパーサーを取得
• RegisterParser(parser DocumentParser): カスタムパーサーを登録
• SupportedExtensions(): サポートされている全拡張子を取得

サンプルコード

詳細なサンプルコードは examples/example.go を参照してください。

実行方法：

cd examples
go run example.go

テキストファイルでサポートされる拡張子

TextParserは以下の拡張子をサポートしています：

• ドキュメント: .txt, .md, .markdown
• プログラミング言語: .go, .py, .js, .ts, .java, .c, .cpp, など
• 設定ファイル: .json, .xml, .yaml, .yml, .toml, .ini
• スクリプト: .sh, .bash, .zsh, .ps1
• Web: .html, .css, .scss, .vue, .svelte

完全なリストは text.go を参照してください。

依存関係

• github.com/ledongthuc/pdf: PDFパース用
• github.com/xuri/excelize/v2: Excelパース用

ライセンス

このプロジェクトはMIT Licenseの下で公開されています。

貢献

プルリクエストを歓迎します。大きな変更の場合は、まずissueを開いて変更内容を議論してください。

開発者

GitHub: @obutora