mdm-parser 0.1.0

Python helpers for MDM (Markdown+Media) document conversion - HWP, PDF, DOCX parser and media renderer

Python 패키지 사용 가이드

MDM Python 패키지는 HWP, PDF, HTML 문서를 처리하고 Markdown+Media 형식으로 변환합니다.

설치

PyPI에서 설치 (권장)

pip install mdm-parser

소스에서 설치

cd packages/parser-py
pip install -e .

종속성 설치

pip install -r requirements.txt

필수 종속성:

• pyhwp - HWP 파일 처리
• pdfplumber - PDF 텍스트/이미지 추출
• pillow - 이미지 처리
• svgwrite - SVG 생성
• beautifulsoup4 - HTML 파싱
• requests - HTTP 요청

선택 종속성:

• pytesseract - OCR (Tesseract 엔진)
• easyocr - OCR (딥러닝 기반)

---

모듈별 사용법

1. hwp_to_svg.py - HWP 표를 SVG로 변환

from mdm_parser.hwp_to_svg import HwpToSvgConverter

# 변환기 생성
converter = HwpToSvgConverter('document.hwp')

# SVG로 변환
svg_files = converter.convert('output_dir/')

# 결과
# output_dir/
#   ├── table_1.svg
#   ├── table_2.svg
#   └── ...

명령줄 사용:

python hwp_to_svg.py document.hwp output_dir/

---

2. pdf_processor.py - PDF 텍스트/이미지 추출

from mdm_parser.pdf_processor import PdfProcessor

# 프로세서 생성
processor = PdfProcessor('report.pdf')

# 텍스트 추출
text = processor.extract_text()
print(text)

# 이미지 추출
images = processor.extract_images('assets/')
# images = [{'page': 1, 'filename': 'page1_img1.png', 'path': 'assets/page1_img1.png'}, ...]

# 메타데이터 추출
metadata = processor.extract_metadata()
# {'pages': 10, 'metadata': {...}}

명령줄 사용:

# 텍스트 추출
python pdf_processor.py document.pdf

# 이미지 추출
python pdf_processor.py document.pdf --extract-images assets/

---

3. ocr_processor.py - OCR (이미지 → 텍스트)

from mdm_parser.ocr_processor import OcrProcessor

# OCR 프로세서 생성 (자동 엔진 선택)
processor = OcrProcessor(engine='auto', lang='kor+eng')

# 이미지에서 텍스트 추출
text = processor.extract_text('scanned_document.png')
print(text)

# 디렉토리 일괄 처리
results = processor.process_directory('images/', 'output.txt')

명령줄 사용:

# 단일 이미지
python ocr_processor.py image.png

# 디렉토리 처리
python ocr_processor.py --dir images/ output.txt

# 특정 엔진 지정
python ocr_processor.py --engine easyocr image.png
python ocr_processor.py --engine tesseract image.png

지원 엔진:

• tesseract - Tesseract OCR (빠름, 가벼움)
• easyocr - EasyOCR (정확도 높음, 딥러닝)
• auto - 자동 선택

---

코드 예시

예시 1: HWP 파일에서 텍스트 추출

from mdm_parser.hwp_to_svg import HwpToSvgConverter

def extract_hwp_content(hwp_path, output_dir):
    converter = HwpToSvgConverter(hwp_path)

    # 표를 SVG로 변환
    svg_files = converter.convert(output_dir)

    print(f"생성된 SVG 파일: {len(svg_files)}개")
    for svg in svg_files:
        print(f"  - {svg}")

    return svg_files

# 사용
extract_hwp_content('report.hwp', './output/')

예시 2: PDF 보고서 처리

from mdm_parser.pdf_processor import PdfProcessor
import json

def process_pdf_report(pdf_path):
    processor = PdfProcessor(pdf_path)

    # 텍스트 추출
    text = processor.extract_text()

    # 메타데이터 추출
    meta = processor.extract_metadata()

    # 이미지 추출
    images = processor.extract_images('./assets/')

    # 결과 저장
    result = {
        'text': text,
        'metadata': meta,
        'images': images
    }

    with open('report_data.json', 'w', encoding='utf-8') as f:
        json.dump(result, f, ensure_ascii=False, indent=2)

    return result

# 사용
process_pdf_report('annual_report.pdf')

예시 3: 스캔 문서 OCR

from mdm_parser.ocr_processor import OcrProcessor
import os

def ocr_scanned_documents(input_dir, output_dir):
    processor = OcrProcessor(engine='easyocr', lang='kor+eng')

    os.makedirs(output_dir, exist_ok=True)

    for filename in os.listdir(input_dir):
        if filename.endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(input_dir, filename)

            # OCR 수행
            text = processor.extract_text(image_path)

            # 결과 저장
            output_file = os.path.join(output_dir, f"{filename}.txt")
            with open(output_file, 'w', encoding='utf-8') as f:
                f.write(text)

            print(f"처리 완료: {filename}")

# 사용
ocr_scanned_documents('./scans/', './ocr_results/')

---

에러 처리

from mdm_parser.pdf_processor import PdfProcessor

try:
    processor = PdfProcessor('document.pdf')
    text = processor.extract_text()
except FileNotFoundError:
    print("파일을 찾을 수 없습니다")
except ValueError as e:
    print(f"잘못된 파일 형식: {e}")
except ImportError:
    print("pdfplumber가 설치되지 않았습니다")
    print("설치: pip install pdfplumber")

---

API 참조

HwpToSvgConverter

메서드	설명
__init__(file_path)	HWP 파일 경로로 초기화
convert(output_dir)	표를 SVG로 변환, 생성된 파일 리스트 반환
extract_tables(hwp)	pyhwp 객체에서 표 데이터 추출
render_table_to_svg(table_data, output_path)	표 데이터를 SVG로 렌더링

PdfProcessor

메서드	설명
__init__(file_path)	PDF 파일 경로로 초기화
extract_text()	전체 텍스트 추출
extract_images(output_dir)	이미지 추출 및 저장
extract_metadata()	메타데이터 추출

OcrProcessor

메서드	설명
__init__(engine, lang)	OCR 엔진과 언어 설정
extract_text(image_path)	이미지에서 텍스트 추출
process_directory(input_dir, output_file)	디렉토리 일괄 처리

---

문제 해결

pyhwp 설치 오류

# 시스템 패키지 설치 (Ubuntu)
sudo apt-get install libxml2-dev libxslt1-dev

# pip 재설치
pip install --upgrade pyhwp

Tesseract 설치

# macOS
brew install tesseract tesseract-lang

# Ubuntu
sudo apt-get install tesseract-ocr tesseract-ocr-kor

# Python 바인딩
pip install pytesseract

EasyOCR GPU 지원

# CUDA 있는 경우
pip install easyocr torch torchvision

---

Author: seunghan91 Version: 0.1.0