AI エージェントを使用してドキュメントからデータを一括抽出するには、スキーマをプロンプトに記述し、エージェントにフォルダーを指示し、最後に例外リストを要求します。GroupDocs.Parser.Mcp サーバーは Docker コンテナ内でローカルに読み取りを行うため、すべてのファイルが同じ抽出ツールを通過し、ドキュメントがマシンから出ることはありません。LLM が作業順序を決定し、エンジンがファイルを読み取ります。
私の documents フォルダー内のすべての PDF について: テーブルを JSON として抽出し、amount 列の合計を算出し、ファイル名、合計、ページ数のテーブルを 1 つ作成してください。
ステップバイステップ版は設定とトラブルシューティングを含むドキュメントにあります: フォルダー内のドキュメントからデータを一括抽出する方法.
手動抽出が一貫性のないデータを生む理由
人がドキュメントから値を一つずつコピーすると、各ファイルの扱いが少しずつ異なります。ある人は税金を含め、別の人は含めず、三番目の人はレイアウトが奇妙なファイルをスキップします。この不一致は合計を比較するまで見えません。ワークフローはルールを明示的にし、すべてのファイルに同じ方法で適用することでこれを修正します。エージェントを使うと、ルールは 1 つのプロンプトに収まり、抽出ツールはファイル 1 とファイル 200 でも同様に動作します。
ワークフローはどのように構築しますか?
フォルダーをコンテナ内の /data にマウントし、GROUPDOCS_MCP_STORAGE_PATH=/data を設定し、エージェントに以下の手順を渡します。
- ライセンスを確認する。 プロンプト: “Run get_license_status and tell me the mode.” ライセンスなしの抽出は制限があり、フォルダー全体の部分的な読み取りは静かに間違ったデータセットになります。
- フォルダーをトリアージする。 プロンプト: “For each file, report format, page count and whether text extraction returns anything.”
get_document_infoがタイプ、ページ数、サイズを提供し、1 ページのextract_text呼び出しでテキストの有無が分かります。 - スキーマを修正する。 プロンプト: “For each readable file, extract the line-items table as JSON. Columns: item, quantity, amount. Total the amount column.” これには
extract_tablesを使用します。 - 失敗を明示的に収集する。 プロンプト: “List every file that failed, was password-protected, or returned no table, with the reason.” 成功だけを報告するバッチは例外を隠します。
- 出力を書き込む。 プロンプト: “Write one row per file to a CSV in the output folder.”
ファイルはコンテナ内で名前で解決されるため、エージェントは invoice-014.pdf を渡し、ホストパスは使用しません。
エージェントが決定し、エンジンが行うことは何ですか?
| ステップ | エージェントが決定すること | エンジンが行うこと |
|---|---|---|
| トリアージ | 抽出対象のファイル | タイプ、ページ数、サイズを報告し、extract_text がテキストの有無を示す |
| キャプチャ | 各ファイルに必要なツール | ファイルからテキストまたはテーブル行を返す |
| 検証 | 合計がテキストと一致するか | なし; エージェントが比較する |
| 例外 | リストに入れるファイル | 不良ファイルの失敗メッセージを返す |
| 出力 | CSV の形状 | なし; エージェントが書き込む |
分割がポイントです。値の取得は決定論的なエンジンの作業であり、判断と組み立てはエージェントの役割です。
例示セッション(抜粋):
You: Check the license, triage the folder, then extract line items from every readable PDF and list the exceptions.
Agent: [calls get_license_status, get_document_info x12, extract_text, extract_tables x10]
License mode: evaluation. Results below are a smoke test.
12 files: 10 with a text layer, 1 scan, 1 password-protected.
Totals written for 10 files. Exceptions: scan-007.pdf (no text layer), hr-020.pdf (password required).
適合しないファイルはどうなりますか?
スキャン画像にはテキスト層がないため、テーブル抽出は何も返しません。これらは別に取っておくか、ページに追跡番号や注文コードがある場合はエージェントに extract_barcodes へ分岐させます。フォールスルーリストは、アーカイブのどの部分がスキャンであるかの在庫リストにもなります。パスワード保護されたファイルは自身の呼び出しで失敗するため、エージェントに報告させて続行させます。ツールは password 引数を受け付けます(パスワードがある場合)。
大規模実行を手頃に保つには?
- ページで制限 データの位置が既知の場合、たとえば各請求書の最初のページだけを対象にします。
extract_imagesを大量に使用しない。 画像ごとにファイルが生成され、イラスト付きレポートのフォルダーは数百ファイルになります。- メータード使用量を監視。 メータードライセンスではすべての呼び出しが処理時間で課金されるため、的確なスイープは包括的なスイープよりコストが低くなります。
制限は何ですか?
ライセンスがない場合、抽出は制限されます。正確な制限はライブラリのライセンスページに記載されています。サーバーには OCR がなく、スキャンテキストは取得できません。Docker イメージとしてのみ提供され、dnx コマンドは存在しません。
サーバーを登録するには?
Cursor、Claude Desktop、Windsurf 用の最小限の手動エントリです。Parser 設定ドキュメントのコンテナパスを使用します:
{
"mcpServers": {
"groupdocs-parser": {
"command": "docker",
"args": ["run", "--rm", "-i",
"-v", "/path/to/documents:/data",
"-e", "GROUPDOCS_MCP_STORAGE_PATH=/data",
"ghcr.io/groupdocs-parser/parser-net-mcp:latest"]
}
}
}
FAQ
AI を使って請求書フォルダーをアップロードせずに処理できますか?
はい。コンテナはマウントされたフォルダーを読み取り、stdio を介してクライアントと通信するため、請求書はマシン上に残ります。
ローカルで PDF からテキストをバッチ抽出するには?
エージェントにフォルダーをループさせ、長文書の場合はページ単位で extract_text を呼び出すよう指示してください。非常に大きな出力はマーカーで切り捨てられます。
エージェントはドキュメントからのデータ入力を自動化できますか?
抽出された行を CSV や要約テーブルに組み立てることができます。別システムに入力する前に例外リストを確認してください。
詳細を見る
- ドキュメント、標準的な手順: フォルダー内のドキュメントからデータを一括抽出する方法
- ドキュメントハブ: GroupDocs.Parser MCP サーバー
- まずはこちら: AI エージェントと MCP を使用したドキュメントデータ抽出の 3 つの方法(テキスト、テーブル、画像)
- 関連: PDF からテーブルを抽出し、JSON に変換、LLM がセルを推測しない方法
- 関連: AI エージェントによるスキャンからレコードへの自動化
- オンプレミスとセキュリティモデル: AI ドキュメント処理の 3 つのアーキテクチャと、ファイルをネットワーク内に保持する方法
- 質問: GroupDocs Parser フォーラム
- ソース: GitHub の GroupDocs.Parser.Mcp