openhanji 0.1.0

한국어 | English | 中文 | 라이선스 | 고지사항

한컴오피스 문서를 위한 오픈소스 Python 파서 및 변환기

v0.1.0은 HWPX 문서를 구조화된 Python 문서 모델로 파싱하며 다음 형식으로 내보낼 수 있습니다:

• JSON
• Markdown
• 일반 텍스트

유용한 용도:

• 문서 수집과 검색
• RAG 및 NLP 워크플로
• HWPX 텍스트나 메타데이터가 필요한 백엔드 서비스

설치

pip install openhanji

빠른 시작

import openhanji

doc = openhanji.open("report.hwpx")

# 문단 반복
for paragraph in doc.paragraphs:
    print(paragraph.text)

# 모든 블록 반복 (섹션을 가로질러 평탄화)
for block in doc.blocks:
    print(type(block).__name__, getattr(block, "text", ""))

# 구조화된 출력
print(doc.to_json())                        # 평탄화된 "body" 배열 (기본값)
print(doc.to_json(mode="structured"))       # 섹션별 배열
print(doc.to_markdown())
print(doc.to_text())

# 메타데이터
print(doc.metadata.title)
print(doc.metadata.author)

CLI

마크다운 출력 (기본값):

openhanji extract document.hwpx

재귀적 일반 텍스트 추출:

openhanji extract document.hwpx --format text

런(run) 수준의 서식 메타데이터를 포함한 JSON 출력.

기본값이 아닌 bold, italic, font_size, color 값이 출력에 포함됩니다.

openhanji extract document.hwpx --format json

단축 형식 별칭:

openhanji extract document.hwpx -f json

JSON은 header.xml에 정의된 경우 Run의 font_face와 문단의 align, style_name 값을 포함합니다.

기본값 필드는 생략됩니다 — 단순 텍스트 Run은 다음과 같이 직렬화됩니다:

{"text": "..."}

출력을 파일로 저장:

openhanji extract document.hwpx -o output.md

입력 디렉터리의 모든 .hwpx를 재귀적으로 변환하여 출력 디렉터리에 저장:

openhanji extract ./docs/ -o ./output/ -f markdown

Strict 모드는 알 수 없는 콘텐츠와 잘못된 현재 XML 파트를 건너뛰지 않고 오류를 발생시킵니다:

openhanji extract document.hwpx --strict

이미지 바이너리를 읽어 base64로 포함합니다.

기본적으로 바이너리 이미지 읽기는 건너뛰며 이미지가 플레이스홀더로 렌더됩니다.

openhanji extract document.hwpx --with-images

헤딩 분류 전략 (auto, structural, none).

structural은 구조적 헤딩 신호만 사용합니다. none은 모든 문단을 BODY로 처리합니다.

openhanji extract document.hwpx --heading-detection structural
openhanji extract document.hwpx --heading-detection none

버전 출력:

openhanji --version

문서 메타데이터와 콘텐츠 통계를 출력합니다 — 제목, 작성자, 키워드, 날짜, 페이지 수, 문단/표/이미지 개수 등을 포함합니다:

openhanji info document.hwpx

지원 형식

기여하기

프로젝트에 기여해 주셔서 감사드립니다. 이슈나 PR을 열어 주세요.

라이선스

Apache 2.0 © SxA Lab