documelt

Rust + WebAssembly によるブラウザ向けドキュメントテキスト抽出ライブラリ。

サーバーに依存せず、ブラウザ上で PDF・Word・Excel・PowerPoint からテキストを高速に抽出します。

Features

• ブラウザ完結 — サーバーサイド不要。WASMがブラウザ内でテキスト抽出を実行
• 高速 — Rustコンパイルによるネイティブ級パフォーマンス（PDFは0.2秒、DOCX/XLSXは数ms）
• ページ単位の抽出 — PDF→ページ、PPTX→スライド、XLSX→シートごとに配列で返却
• Web Worker対応 — メインスレッドをブロックしない非同期処理
• メタデータ付き — ファイル名、サイズ、ページ数、文字数、処理時間を自動計測
• TypeScript — 完全な型定義付き

Supported Formats

| Format | Engine | Output | |--------|--------|--------| | PDF | pdf-extract | ページごとのテキスト配列 | | DOCX | ZIP + XML parse | ドキュメント全体のテキスト | | XLSX | calamine | シートごとのテキスト配列（タブ区切り） | | PPTX | ZIP + XML parse | スライドごとのテキスト配列 | | TXT | UTF-8 decode | そのままのテキスト |

Note: スキャンPDFやアウトライン化されたPDF（テキストがベクターパスとして埋め込まれたもの）はテキスト抽出できません。OCRが必要なケースはサーバーサイドでの処理を推奨します。

Installation

npm install documelt

Quick Start

import { extractFromFile } from 'documelt';

// ファイル選択イベントから
const input = document.querySelector<HTMLInputElement>('#file');
input.addEventListener('change', async () => {
  const result = await extractFromFile(input.files[0]);

  if (result.success) {
    // ページ単位の配列
    console.log(result.texts);          // ['Page 1 text...', 'Page 2 text...', ...]

    // 全文を1つの文字列として
    console.log(result.texts.join('\n'));

    // メタデータ
    console.log(result.meta);
    // { filename: 'doc.pdf', extension: 'pdf', size: 204800, pages: 5, characters: 12000, time: 0.15 }
  } else {
    console.error(result.error);
  }
});

WASM の初期化は初回呼び出し時に自動で行われます。init() を明示的に呼ぶ必要はありません。

Usage

Browser (Main Thread)

import { extract, extractFromFile, isSupported } from 'documelt';

// File API から
const result = await extractFromFile(file);

// Uint8Array + 拡張子を直接指定
const result = await extract(uint8Array, 'pdf', 'report.pdf');

// 対応フォーマット判定
isSupported('report.pdf');   // true
isSupported('image.png');    // false

Browser (Web Worker)

大きなファイルの処理でメインスレッドのブロックを避けたい場合に使用します。

import { DocumeltWorker } from 'documelt';

const worker = new Worker(
  new URL('documelt/worker', import.meta.url),
  { type: 'module' }
);
const client = new DocumeltWorker(worker);

const result = await client.extractFromFile(file);
console.log(result.texts);

// 不要になったら終了
client.terminate();

Node.js

import { readFileSync } from 'fs';
import { initWithBytes, extract } from 'documelt';

// Node.js では WASM バイナリを手動で初期化
initWithBytes(readFileSync('node_modules/documelt/pkg/documelt_bg.wasm'));

const data = new Uint8Array(readFileSync('./document.pdf'));
const result = await extract(data, 'pdf', 'document.pdf');
console.log(result.texts.join('\n'));

API Reference

Extraction

| Function | Description | |----------|-------------| | extractFromFile(file: File) | ブラウザの File オブジェクトからテキストを抽出 | | extract(data: Uint8Array, extension: SupportedFormat, filename?: string) | バイナリデータから抽出。戻り値は Promise<ExtractionResult> | | isSupported(fileName: string) | 対応フォーマットか判定。戻り値は boolean |

Initialization

通常は自動初期化されるため呼ぶ必要はありません。

| Function | Description | |----------|-------------| | init(wasmUrl?: string \| URL) | WASM を手動で非同期初期化（プリロード用） | | initWithBytes(wasmBytes: BufferSource) | WASM バイナリを同期初期化（Node.js 向け） |

Worker

| API | Description | |-----|-------------| | new DocumeltWorker(worker: Worker) | Worker クライアントを作成 | | client.extract(data, extension, filename?) | Worker 経由で抽出 | | client.extractFromFile(file) | Worker 経由で File から抽出 | | client.terminate() | Worker を終了 |

Constants

| Name | Value | |------|-------| | SUPPORTED_FORMATS | ['pdf', 'docx', 'xlsx', 'pptx', 'txt'] |

Types

interface ExtractionResult {
  texts: string[];           // ページ/シート/スライドごとのテキスト配列
  success: boolean;          // 抽出成功フラグ
  error: string | null;      // エラーメッセージ（成功時 null）
  meta: ExtractionMeta;      // メタデータ
}

interface ExtractionMeta {
  filename: string;          // ファイル名
  extension: SupportedFormat; // 拡張子
  size: number;              // ファイルサイズ（bytes）
  pages: number;             // ページ数（PDF/PPTX/XLSX）
  characters: number;        // 総文字数
  time: number;              // 処理時間（秒）
}

type SupportedFormat = 'pdf' | 'docx' | 'xlsx' | 'pptx' | 'txt';

Performance

WASM バイナリサイズ: ~1.2MB

| Format | File Size | Pages | Characters | Time | |--------|-----------|-------|------------|------| | TXT | 209B | 1 | 75 | 0.001s | | PDF | 2.3MB | 31 | 4,802 | 0.21s | | DOCX | 30KB | 1 | 4,461 | 0.002s | | XLSX | 18KB | 3 sheets | 4,492 | 0.004s | | PPTX | 44MB | 31 slides | 4,059 | 0.02s |

Limitations

• スキャンPDF / アウトラインPDF — テキストがベクターパスや画像として埋め込まれたPDFは抽出不可（OCR が必要）
• パスワード保護ファイル — 暗号化されたファイルは非対応
• ファイルサイズ — ブラウザメモリに制約あり。10MB 以下を推奨

Contributing

GitHub Issues でバグ報告・機能リクエストを受け付けています。

License

MIT - Copyright (c) 2026 NAOHIDEOTA