コーディング自動化基盤

概要¶

レジュメ変換システムのDOCXテキスト抽出機能を実装します。Mammoth.jsを使用して、アップロードされたDOCX（Word）ファイルからテキストを抽出し、解析可能な形式に変換します。

作業内容¶

1. Mammoth.js導入と設定

   • Mammoth.jsのインストール
   • 基本設定
   • 変換オプション設定
   • スタイル設定

2. DOCXパース処理実装

   • DOCXファイル読み込み
   • ドキュメント構造解析
   • スタイル情報抽出
   • メタデータ抽出

3. テキスト抽出処理実装

   • テキストコンテンツ抽出
   • フォーマット情報保持
   • 表・リスト構造の処理
   • 画像・図形の処理

4. テキスト前処理実装

   • HTML形式からのテキスト抽出
   • 不要なタグ・属性の除去
   • セクション分割
   • レイアウト情報の正規化

5. エラーハンドリング実装

   • パスワード保護DOCX対応
   • 破損ファイル対応
   • 複雑なフォーマット対応
   • 非標準要素対応

成果物¶

• Mammoth.js設定モジュール
• DOCXパース処理モジュール
• テキスト抽出モジュール
• テキスト前処理モジュール
• エラーハンドリングモジュール

技術スタック¶

• Mammoth.js
• Node.js
• TypeScript
• Express.js

参照¶

• 親チケット: #472（ファイルアップロード・テキスト抽出機能）
• 関連チケット: #493（ファイルアップロード機能実装）
• 関連チケット: #494（PDFテキスト抽出機能実装）