Jinba Flowでbase64のPDFとDOCXからテキストを抽出する - jinba

PDFまたはDOCXファイルのbase64文字列がフロー内にある場合に使います。PDFにはPDF_EXTRACT_TEXT、Word文書にはDOCX_EXTRACT_TEXTを選びます。どちらも抽出したテキストをresultに返し、ツール設定は不要です。

PDFからテキストを抽出する

- id: extract_pdf
  tool: PDF_EXTRACT_TEXT
  input:
    - name: pdf_base64
      value: "<base64形式のPDFデータ>"

プレースホルダーをデータURLの接頭辞を除いたbase64文字列に置き換えます。成功すると全ページのテキストがresultに返り、後続ステップでは{{steps.extract_pdf.result}}で参照できます。AIや検証のステップへ渡す前に内容を確認してください。このツールはPDFのテキストレイヤーを読み取るだけでOCRは行わないため、画像だけのスキャンPDFからはテキストが返りません。テキストがない場合は、URLではなくPDFデータを渡していることも確認します。

DOCXからテキストを抽出する

- id: extract_docx
  tool: DOCX_EXTRACT_TEXT
  input:
    - name: docx_base64
      value: "<base64形式のDOCXデータ>"

結果は文書の段落テキストで、1段落が1行になり、steps.extract_docx.resultで参照できます。表、ヘッダー、フッター内のテキストは含まれません。失敗した場合は、有効なDOCXファイル（旧形式の.docではないもの）をbase64形式で渡しているか確認してください。現在のJinba FlowにはEXCEL_EXTRACT_TEXTツールはありません。スプレッドシートにはExcelツールを使います。