File Analysis MCP

Servidor MCP personal que lee documentos no estructurados (PDF, DOCX, PPTX, SVG, PNG, JPG) de una carpeta específica y extrae su estructura/contenido. El resumen lo realiza el LLM de Claude Code/Codex que llama a este servidor, no este servidor. Este servidor solo se encarga de la extracción de texto/imágenes y de identificar la estructura de carpetas.

Requisitos previos

1. Python

python y pip deben funcionar correctamente. Si en Windows python muestra el aviso de instalación de Microsoft Store, verifica lo siguiente:

1. Instala Python 3.11 o superior (64-bit) desde python.org y marca "Add python.exe to PATH" durante la instalación.

2. Si python sigue apuntando al stub de la Store: ve a Configuración → Aplicaciones → Configuración avanzada de aplicaciones → Alias de ejecución de aplicaciones y desactiva las entradas python.exe/python3.exe de App Installer.

2. Tesseract-OCR (necesario para la función OCR de PNG, opcional)

Después de instalarlo con el instalador de Tesseract de UB-Mannheim, ajusta el valor de TESSERACT_CMD en .mcp.json a la ruta real de instalación. El servidor funciona correctamente incluso sin instalarlo; al analizar PNG, se devuelve la imagen en sí (multimodal) y solo el texto OCR se reemplaza con el mensaje "unavailable".

Related MCP server: ReadPDFx - OCR PDF MCP Server

Instalación

cd C:\Users\20229\Desktop\MCP
python -m venv .venv
.venv\Scripts\pip install -r requirements.txt

Verificación

# 1. 샘플 파일 생성 (pdf/docx/pptx/svg/png/txt 각 1개)
.venv\Scripts\python scripts\generate_fixtures.py

# 2. MCP 없이 extractor만 직접 테스트
.venv\Scripts\python scripts\smoke_test.py

Registro en Claude Code

El .mcp.json de esta carpeta ya registra el servidor con alcance de proyecto. Verifica que la ruta de command coincida con la ubicación real de .venv\Scripts\python.exe y, a continuación, reinicia Claude Code o comprueba con el comando /mcp que el servidor file-analysis esté en estado connected.

Herramientas proporcionadas

• scan_folder(folder_path, max_depth=3, max_files=200): devuelve solo el árbol de carpetas y el número de archivos por extensión (no lee el contenido).

• analyze_file(file_path, max_chars=None): extrae un archivo según su extensión.

  • pdf/docx/pptx/svg → información de texto/estructura

  • png/jpg/jpeg → imagen (multimodal) + texto OCR

Limitaciones

• SVG solo analiza la estructura XML (nodos de texto, número de formas, viewBox). En el caso de imágenes vectoriales puras sin texto, no se puede saber visualmente qué dibujan: si es necesario, conviértelas a PNG y vuelve a analizarlas.

• Hay un límite en la cantidad extraída: PDF 50 páginas/50 000 caracteres, PPTX 100 diapositivas/50 000 caracteres, OCR de PNG 20 000 caracteres, etc. Si se supera, el resultado incluye truncated: true y un mensaje informativo.