Google Colaboratoryを使ってGoogleドキュメントを処理する方法

2025/06/04

古川直輝

Google Colaboratoryを使ってGoogleドキュメントを処理する方法

この記事では、Google Colaboratoryを使ってGoogleドキュメントの内容を自動取得し、そのテキストを.txtファイルに変換・保存する方法をご紹介します。API連携の基本も学べるため、初めてGoogle APIを扱う方にもおすすめです。

Google DocsGoogle DriveGoogle DocumentGoogle ColabratoryPython

はじめに

Googleドキュメントは、オンラインで文書を作成・共有できる便利なサービスです。しかし、自然言語処理やデータ分析を行う際には、Pythonなどのプログラムでその中身を取得して処理したい場面も多くあります。

この記事では、Google Colaboratoryを使ってGoogleドキュメントの内容を自動取得し、そのテキストを.txtファイルに変換・保存する方法をご紹介します。API連携の基本も学べるため、初めてGoogle APIを扱う方にもおすすめです。

実行環境と必要なもの

実行環境

Google Colaboratory

使用するAPI

Google Drive API

Google Docs API

実行手順

Google Drive APIを使用してフォルダーID、ファイルIDの取得

Google Docsを使用してGoogle Documentファイルのテキストを取得

取得したテキストをテキストファイルに保存

実行コード

必要なライブラリーのインポート

import pandas as pd

import os

import glob

from google.colab import auth

from googleapiclient.discovery import build

import requests

import json

import unicodedata

Google Colabの認証

from google.colab import drive

drive.mount("/content/drive")

Google Cloudの認証

auth.authenticate_user()



drive_service = build('drive', 'v3')

docs_service = build('docs', 'v1')

フォルダIDの取得

path = "/content/drive/MyDrive/test"

files = glob.glob(os.path.join(path,"*.gdoc"))



folder_name = path.split("/")[-1]

query = f"mimeType = 'application/vnd.google-apps.folder' and name = '{folder_name}'"



results = drive_service.files().list(q=query, fields="files(id, name)").execute()

folders = results.get('files', [])

folder_id = folders[0]["id"]

ファイルIDの取得

query = f"'{folder_id}' in parents and mimeType = 'application/vnd.google-apps.document'"

results = drive_service.files().list(q=query, spaces='drive').execute()



dicts = {}

items = results.get('files', [])

for item in items:

 normalized_name = unicodedata.normalize('NFKC', item['name']) # 正規化

 dicts[normalized_name] = item['id']



file_id = []

file_name = []

for keys in dicts:

 if keys in files:

  file_id.append(dicts[keys])

  file_name.append(keys)



# ドキュメントのテキスト部分の取得

knowledge = {}

for id,name in zip(file_id,file_name):

 document = docs_service.documents().get(documentId=id).execute()

 content = document.get('body').get('content')



texts = []

for elem in content:

 if 'paragraph' in elem:

  for para_elem in elem['paragraph']['elements']:

   text = para_elem['textRun']['content']

   if "\n" != text:

    texts.append(text)

texts = texts[6:]

knowledge[f"{name}"] = texts

.txtに変換

def sanitize_filename(file_name):

 invalid_chars = r'[<>：:"/\\|?*]'



 if re.search(invalid_chars, file_name):

  sanitized_name = re.sub(invalid_chars, '_', file_name)

  sanitized_name = sanitized_name.strip()

  return sanitized_name

 else:

  return file_name



for file_name,file_text in zip(knowledge.keys(),knowledge.values()):

 if file_text:

  sanitized_file_name = sanitize_filename(file_name)

  file_path = os.path.join(path, "output", f"{sanitized_file_name}.txt")

  with open(file_path,"w", encoding="utf-8") as file:

  file.write(file_text[0])