litparser 1.4.6

Lightweight Document Parser - 순수 Python으로 PDF, DOCX, PPTX, HWPX 파싱

LitParser

Lightweight Document Parser — 순수 Python 문서 파서

외부 라이브러리 의존성 없이 PDF, DOCX, PPTX, XLSX, HWP 등 다양한 문서 포맷에서 텍스트, 표, 이미지를 추출합니다.

왜 LitParser인가?

기존 PDF 파서들의 한계:

라이브러리	라이선스	의존성	한국어	2단 레이아웃
PyMuPDF	AGPL / 상용 듀얼	C 바이너리	△	△
pdfplumber	MIT	pdfminer 의존	△	✗
PyPDF	BSD	없음	△	✗
LitParser	AGPL / 상용 듀얼	없음	✓	✓

LitParser는 순수 Python으로 PDF 스펙을 직접 파싱하여, C 라이브러리 없이도 PyMuPDF에 근접한 텍스트 추출 품질을 제공합니다.

설치

pip install litparser

Python 3.8+ 지원. 외부 의존성 없음.

빠른 시작

from litparser import parse

# 자동 포맷 감지 — PDF, DOCX, PPTX, XLSX, HWP 등
result = parse('document.pdf')

# 텍스트
print(result.text)

# 표 (마크다운)
for table in result.tables:
    print(table['markdown'])

# 이미지 (base64)
result = parse('document.pdf', include_images=True)
for img in result.images:
    print(f"Page {img['page']}, {img['width']}x{img['height']}")

CLI 사용

litparser document.pdf                # 텍스트 출력
litparser document.pdf --markdown     # 마크다운 변환
litparser document.pdf --json --o ./result.json       # JSON 출력
litparser document.pdf --info         # 문서 정보

PDF 전용 API

from litparser import parse_pdf, extract_text, extract_tables, extract_images

doc = parse_pdf('paper.pdf')

# 페이지별 텍스트
text = extract_text(doc, page_num=0)

# 표 추출
tables = extract_tables(doc, page_num=0)
for t in tables:
    print(t.to_markdown())

# 이미지 추출
images = extract_images(doc, page_num=0)

지원 포맷

포맷	Modern	Legacy
Word	.docx ✅	.doc ✅
PowerPoint	.pptx ✅	.ppt ✅
Excel	.xlsx ✅	.xls ✅
한글	.hwpx ✅	.hwp ✅
PDF	.pdf ✅	-
텍스트	.txt, .md ✅	-

핵심 기능

텍스트 추출

• 2단 학술논문 레이아웃 자동 감지 및 올바른 읽기 순서 출력
• 수식 추출 — ˜y∗ = arg max w·1[a =a] 등 유니코드 텍스트로 추출
• Figure 내부 텍스트 추출 (Form XObject 재귀 파싱)

표 추출

4단계 감지 파이프라인으로 다양한 표 구조를 처리합니다:

1. Grid 감지 — 수평선 + 수직선이 모두 있는 정형 표
2. HLine 감지 — 수평선만 있는 borderless 표
3. Numeric Data 감지 — 숫자 데이터 패턴 기반 (선 없는 학술 표)
4. Alignment 감지 — x좌표 정렬 기반 (완전히 선 없는 표)

이미지 추출

• Form XObject 재귀 탐색으로 중첩된 이미지까지 추출
• FlateDecode → PNG 자동 변환
• DCTDecode(JPEG), JPXDecode(JPEG2000) 지원
• base64 인코딩 포함

아키텍처

litparser/
├── __init__.py          # 통합 API, 텍스트 추출, 후처리
├── _grid_table.py       # 표 감지 (grid, hline, alignment, numeric)
├── core/
│   ├── parser.py        # PDF 파서 (xref, 객체, 스트림)
│   ├── content_stream.py # 콘텐츠 스트림 → 텍스트 아이템
│   ├── table_detector.py # 표 감지 오케스트레이터
│   ├── layout_analyzer.py # 2단 레이아웃, 읽기 순서
│   ├── image_extractor.py # 이미지 추출, 변환
│   └── stream_decoder.py  # FlateDecode, LZW, ASCII85 등
└── formats/
    ├── docx_parser.py   # Word .docx
    ├── doc_parser.py    # Word .doc (OLE)
    ├── pptx_parser.py   # PowerPoint .pptx
    ├── xlsx_parser.py   # Excel .xlsx
    ├── hwpx_parser.py   # 한글 .hwpx
    └── hwp_parser.py    # 한글 .hwp (OLE)

라이선스

LitParser는 듀얼 라이선스로 제공됩니다.

AGPL-3.0 (오픈소스)

• 오픈소스 프로젝트에서 자유롭게 사용 가능
• 네트워크 서비스(SaaS 등)로 제공 시 전체 소스코드를 AGPL-3.0으로 공개 필요

상용 라이선스

• 소스코드 공개 없이 상업적 사용 가능
• 문의: [e-mail]

링크

• GitHub: github.com/ironwung/litparser
• PyPI: pypi.org/project/litparser