extract-text

/extract-text

PDF と Google Workspace ファイルからテキストを抜き出す統合エントリ。入力の種類を判定し、専用ツールへ振り分ける。実装本体は持たず、pdf-extract と gws-read をオーケストレーションするだけの薄いラッパー。

ツール群は {{ORG_REPO_PATH}}/Agent-team/tools/ 配下に配置する前提。環境に合わせてパスは読み替える。

入力	振り分け先
ローカル PDF / Drive 上の PDF（application/pdf）	{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/
Google ドキュメント / スプレッドシート / スライド（ネイティブ Google 形式）	{{ORG_REPO_PATH}}/Agent-team/tools/gws-read/（Slides は gslides-read）

引数

引数	必須	意味
<input>	○	ローカルパス、Drive の ID または URL
-o <path>	×	出力先ファイル。省略時は標準出力
--pages <範囲>	×	PDF のページ指定（例：1-5,8）
--page-markers	×	PDF のページ境界マーカーを付与

入力の判定手順

1. 入力がローカルに存在するパスか？ → ローカルファイル
   • 拡張子 .pdf → pdf-extract に --local で渡す
   • それ以外のローカルファイル（.docx 等）は対象外。別ツールを案内する
2. 入力が Drive の ID / URL か？ → Drive ファイル
   • URL に /document/ /spreadsheets/ /presentation/ が含まれる → それぞれ Docs / Sheets / Slides。gws-read（Slides はノート必要なら gslides-read）へ
   • 上記が判別できない（生 ID や /file/d/ の汎用 URL）→ まず pdf-extract に渡す。中で mimeType を確認し、PDF でなければ終了コード 4 で gws-read へ誘導されるので、その案内に従って gws-read を実行する

迷ったら pdf-extract を先に叩いてよい。PDF 以外の Google ファイルは自動で gws-read へ誘導される。

実行手順

setup（初回のみ）

bash {{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/setup.sh
bash {{ORG_REPO_PATH}}/Agent-team/tools/gws-read/setup.sh   # Google ファイルを扱う場合

ローカル PDF だけなら認証不要。Drive 上のファイルを扱う場合は ADC（Application Default Credentials）が必要：

bash {{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/auth.sh   # drive.readonly

PDF（ローカル / Drive）

{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/pdf_extract.py /path/to/file.pdf
{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/pdf_extract.py <drive-id-or-url>
{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/pdf_extract.py <input> -o out.txt
{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/pdf_extract.py <input> --pages 1-5,8
{{ORG_REPO_PATH}}/Agent-team/tools/pdf-extract/pdf_extract.py <input> --page-markers