Rubyを使用してPDFからテキストを抽出する
以下のチュートリアルでは、ホストされたJPedalクラウドAPIを使用してPDFからテキストを抽出する方法を説明します。独自のセルフホスト型JPedalマイクロサービス をセットアップすることもできます。
上記のサービスは通常のHTTPリクエストでアクセスできますが、このチュートリアルではREST API をシンプルなRubyラッパーで提供するオープンソースのRuby IDRCloudClient を使用します。
プロジェクトでIDRCloudClientを使用するには2つの方法があります。
gemを使用して、以下のコマンドでidr_cloud_client gem をインストールします：
gem install idr_cloud_client
または、アプリケーションのgemfileに"gem ‘idr_cloud_client’“という行を追加してから、以下のコマンドを実行することもできます。
bundle install
以下はPDFからテキストを抽出するための基本的なコード例です。設定オプションと高度な機能については後述します。
require 'idr_cloud_client'
client = IDRCloudClient.new('https://my-self-hosted-service.com/' + IDRCloudClient::JPEDAL)
result = client.convert(
input: IDRCloudClient::UPLOAD,
file: 'path/to/exampleFile.pdf',
,
settings: '{"mode":"extractText","type":"plainText"}')
client.download_result(result, 'path/to/output/dir')
puts 'Download URL: ' + result['downloadUrl']
JPedalマイクロサービスは、抽出完了時に抽出のステータス
を送信するコールバックURLを受け付けます。コールバックURLを使用することで、抽出が完了したかどうかを判断するためにサービスをポーリングする必要がなくなります。
コールバックURLは以下のようにconvertメソッドに提供できます。
result = client.convert(
input: IDRCloudClient::UPLOAD,
callbackUrl: 'http://listener.url',
file: 'path/to/exampleFile.pdf',
,
settings: '{"mode":"extractText","type":"plainText"}')
JPedal APIは、抽出をカスタマイズするためのキーと値のペアの設定オプションを含む文字列化されたJSONオブジェクトを受け付けます。設定はconvertメソッドに提供する必要があります。PDFからテキストを抽出するための設定オプションの完全なリストはこちら で確認できます。
settings:'{"key":"value","key":"value"}'
ローカルファイルをアップロードする代わりに、JPedalマイクロサービスがダウンロードして抽出を実行するURLを提供することもできます。これを行うには、convertメソッドのinputとfileの値を以下のように置き換える必要があります。
input:IDRCloudClient.DOWNLOAD
url:'http://exampleURL/exampleFile.pdf'
PDFからテキストを抽出するためにユーザー名とパスワードを必要とする独自のJPedalマイクロサービスをデプロイした場合、各変換時にそれらを提供する必要があります。これらは以下のようにconvertメソッドにauthという名前の変数を渡すことで提供されます。
auth:('username', 'password'))
GitHub上のIDRCloudClient
RUBY上のIDRCloudClient
JPedalマイクロサービスAPI
JPedalマイクロサービスの使用