File Analysis MCP

特定フォルダの非構造化ドキュメント(PDF、DOCX、PPTX、SVG、PNG、JPG)を読み取り、構造・内容を抽出する個人用MCPサーバー。 要約はこのサーバーではなく、このサーバーを呼び出すClaude Code/CodexのLLMが行う。 このサーバーは テキスト・画像の抽出とフォルダ構造の把握のみを担当する。

事前準備

1. Python

python、pipが正常に動作する必要がある。WindowsでpythonがMicrosoft Storeのインストール案内を 表示する場合は、以下を確認:

1. python.orgからPython 3.11以上(64-bit)をインストールし、インストール中に "Add python.exe to PATH"にチェックを入れる。

2. それでもpythonがStoreスタブを指す場合は: 設定 → アプリ → 詳細なアプリ設定 → アプリ実行エイリアスで、 App Installerのpython.exe/python3.exe項目をオフにする。

2. Tesseract-OCR (PNGのOCR機能に必要、任意)

UB-Mannheim Tesseract installerでインストール後、 .mcp.jsonのTESSERACT_CMDの値を実際のインストールパスに合わせる。インストールしなくてもサーバーは正常に動作し、 PNG分析時は画像自体(マルチモーダル)は返され、OCRテキストのみ「unavailable」メッセージに置き換えられる。

Related MCP server: ReadPDFx - OCR PDF MCP Server

インストール

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

検証

# 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

Claude Code登録

このフォルダの.mcp.jsonがすでにプロジェクトスコープでサーバーを登録している。commandパスが実際の .venv\Scripts\python.exeの場所と一致するか確認した後、Claude Codeを再起動するか、/mcpコマンドで file-analysisサーバーがconnected状態か確認する。

提供ツール

• scan_folder(folder_path, max_depth=3, max_files=200): フォルダツリーと拡張子別のファイル数のみを返す (内容は読み取らない)。

• analyze_file(file_path, max_chars=None): 1つのファイルを拡張子に応じて抽出。

  • pdf/docx/pptx/svg → テキスト・構造情報

  • png/jpg/jpeg → 画像(マルチモーダル) + OCRテキスト

制約事項

• SVGはXML構造のみをパースする(テキストノード、図形数、viewBox)。テキストのない純粋なベクター画像は 視覚的に何を描いているか分からない — 必要ならPNGに変換して再度分析すること。

• PDF 50ページ/5万字、PPTX 100スライド/5万字、PNG OCR 2万字など、抽出量に上限がある。 超過時は結果にtruncated: trueと案内文が含まれる。