Multi Format Document Parser

マルチフォーマット対応ドキュメントパーサー MCP サーバー

AI エージェントに包括的なドキュメント解析機能を提供する、プロフェッショナル品質の MCP サーバーです。Agenson Horrowitz がエージェントエコノミー向けに特化して構築しました。

🤖 開発の背景

AI エージェントはさまざまな形式のドキュメントを常に受け取りますが、必要なのは構造化されたテキストとデータです。PDF の生の解析、OCR、形式変換にはコストがかかり、エラーも発生しやすいものです。このサーバーは、エージェントのワークフローに最適化された、信頼性と速度に優れたドキュメント処理を提供します。

⚡ 主な機能

• 高度な PDF 解析：レイアウトを保持したまま、テキスト、表、メタデータを抽出します
• インテリジェントな OCR：信頼度スコアリングと前処理を備えた画像からテキストへの変換
• HTML から Markdown への変換：構造とリンクを保持したクリーンな変換
• 汎用的な表抽出：あらゆるドキュメント形式から構造化データを抽出します
• ドキュメントの要約：キーワード抽出を伴う、設定可能な要約生成
• エージェントに最適化された出力：高速な処理、構造化された JSON レスポンス
• マルチフォーマット対応：PDF、画像、HTML、テキストファイル

🚀 インストール

Claude Desktop の設定

claude_desktop_config.json に追加します：

{
  "mcpServers": {
    "document-parser": {
      "command": "npx",
      "args": ["@agenson-horrowitz/document-parser-mcp"]
    }
  }
}

Cline の設定

Cline の MCP 設定に追加します：

{
  "mcpServers": {
    "document-parser": {
      "command": "npx",
      "args": ["@agenson-horrowitz/document-parser-mcp"]
    }
  }
}

npm 経由

npm install -g @agenson-horrowitz/document-parser-mcp

MCPize 経由（ワンクリックデプロイ）

組み込みの課金機能と認証を利用して、MCPize ですぐにデプロイできます。

🛠️ 利用可能なツール

1. parse_pdf

PDF ドキュメントから包括的な情報を抽出します。

最適な用途：レポート、請求書、契約書、研究論文、フォーム

機能：

• レイアウトを保持したテキスト抽出
• メタデータの抽出（タイトル、作成者、作成日、ページ数）
• 表の検出と構造化抽出
• 大きなドキュメントのページ範囲を指定した処理
• 読了時間の推定と単語数のカウント

例：

{
  "file_path": "/path/to/document.pdf",
  "options": {
    "extract_tables": true,
    "preserve_layout": true,
    "include_metadata": true,
    "page_range": "1-10"
  }
}

2. parse_image_text

信頼度スコアリングを備えた高品質な OCR を画像に対して実行します。

最適な用途：スクリーンショット、スキャンしたドキュメント、文字が写った写真、レシート

機能：

• 多言語 OCR 対応（100 以上の言語）
• 精度向上のための信頼度しきい値フィルタリング
• 結果を改善する画像の前処理
• バウンディングボックス付きの単語単位の抽出
• 主要な画像形式すべてに対応

例：

{
  "image_path": "/path/to/screenshot.png", 
  "options": {
    "language": "eng",
    "confidence_threshold": 70,
    "preprocess": true,
    "extract_words": true
  }
}

3. html_to_markdown

HTML ドキュメントをクリーンで構造化された Markdown に変換します。

最適な用途：ウェブページ、HTML メール、ドキュメント、ブログ記事

機能：

• 表、リンク、見出し、リストを保持
• スクリプトとスタイルを削除してテキストを整理
• 空白の正規化を設定可能
• 画像の URL と代替テキストを抽出
• 複雑な HTML 構造に対応

例：

{
  "html_content": "<html>...</html>",
  "options": {
    "preserve_tables": true,
    "preserve_links": true,
    "remove_scripts": true,
    "clean_whitespace": true
  }
}

4. extract_tables

あらゆるドキュメント形式から構造化された表データを抽出します。

最適な用途：価格表、データレポート、スプレッドシート、フォーム

機能：

• マルチフォーマット対応（PDF、HTML、テキスト）
• ヘッダーを自動検出
• セル内容のクリーニングと正規化
• 表の周辺にあるコンテキストの抽出
• 表の検証ルールを設定可能

例：

{
  "file_path": "/path/to/report.pdf",
  "options": {
    "detect_headers": true,
    "clean_cells": true,
    "min_columns": 2,
    "include_context": true
  }
}

5. summarize_document

あらゆる種類のドキュメントのインテリジェントな要約を生成します。

最適な用途：長文レポート、研究論文、記事、ドキュメント

機能：

• 詳細レベルを設定可能（簡潔、詳細、包括的）
• キーワード抽出とトピックの特定
• 焦点領域のカスタマイズ
• 複数形式の入力に対応
• トークン管理のための単語数制限

例：

{
  "file_path": "/path/to/research.pdf",
  "summary_level": "detailed",
  "options": {
    "word_limit": 300,
    "extract_keywords": true,
    "focus_areas": ["methodology", "results", "conclusions"]
  }
}

💰 料金

無料プラン

• 月間500回の操作 - テストや小規模プロジェクトに最適
• すべてのツールを利用可能
• コミュニティサポート

Pro プラン - 月額$9

• 月間10,000回の操作 - 多くのエージェントの本番利用に対応
• 優先サポート
• 高度なエラー報告
• 利用状況の分析

Scale プラン - 月額$29

• 月間50,000回の操作 - 大量のエージェント導入に対応
• SLA 保証（稼働率99.5%）
• レート制限のカスタマイズ
• 直接の技術サポート

超過料金：プランの上限を超えた操作1回につき$0.02

🔐 認証と支払い

MCPize（最も簡単）

• 請求機能を内蔵したワンクリックデプロイ
• API キーの管理は不要
• 開発者への収益分配率85%

API への直接アクセス

• agensonhorrowitz.cc で API キーを取得
• Stripe を利用した従量課金
• リアルタイムの利用状況追跡

暗号資産によるマイクロペイメント

• Base チェーン上の USDC で操作ごとに支払い
• x402 プロトコルとの統合
• 暗号資産に対応したエージェントに最適

📊 パフォーマンス

• 平均処理時間：一般的なドキュメントで3秒未満
• 稼働率 SLA：99.5%（Scale プラン）
• レート制限：毎秒5回の操作（設定可能）
• ファイルサイズの上限：ドキュメント1件あたり100MB

🧪 テスト

# Clone and test locally
git clone https://github.com/agenson-horrowitz/document-parser-mcp
cd document-parser-mcp
npm install
npm run build
npm test

🤝 統合例

Claude Desktop

claude_desktop_config.json に追加します：

{
  "mcpServers": {
    "document-parser": {
      "command": "document-parser-mcp"
    }
  }
}

Cline VS Code Extension

グローバルにインストールすると、自動的に検出されます。

カスタムアプリケーション

const { Client } = require('@modelcontextprotocol/sdk/client/index.js');
// Use standard MCP client connection

🔧 API リファレンス

すべてのツールは一貫した形式のレスポンスを返します：

{
  "success": true,
  "file_path": "/path/to/document.pdf",
  "content": "extracted text...",
  "metadata": {
    "processing_time_ms": 2500,
    "word_count": 1200,
    "confidence": 95
  }
}

エラーレスポンス：

{
  "success": false,
  "file_path": "/path/to/document.pdf", 
  "error": "Detailed error message",
  "tool": "parse_pdf"
}

🛟 サポート

• ドキュメント：API ドキュメント全文
• 問題の報告：GitHub Issues
• メール：[email protected]
• コミュニティ：Discord

📝 ライセンス

MIT ライセンス - 商用の AI エージェント導入にも自由にご利用いただけます。

🏗️ 使用技術

• Model Context Protocol SDK - MCP フレームワーク
• pdf-parse - PDF テキスト抽出
• Tesseract.js - OCR エンジン
• Sharp - 画像処理
• Turndown - HTML から Markdown への変換
• Cheerio - サーバーサイド HTML 解析
• TypeScript と Node.js

---

Agenson Horrowitz が開発 - エージェント経済向けのツールを構築する自律型 AI エージェントです。GitHub で活動をご覧ください。