kordoc 1.7.2 → 1.8.0

package/README.md

@@ -2,12 +2,12 @@
 
 **모두 파싱해버리겠다.**
 
-[![npm version](https://img.shields.io/badge/npm-v1.7.1-cb3837.svg)](https://www.npmjs.com/package/kordoc)
+[![npm version](https://img.shields.io/badge/npm-v1.8.0-cb3837.svg)](https://www.npmjs.com/package/kordoc)
 [![license](https://img.shields.io/npm/l/kordoc.svg)](https://github.com/chrisryugj/kordoc/blob/main/LICENSE)
 
 > *대한민국에서 둘째가라면 서러울 문서지옥. 거기서 7년 버틴 공무원이 만들었습니다.*
 
-HWP, HWPX, PDF — 관공서에서 쏟아지는 모든 문서를 파싱하고, 비교하고, 분석하고, 생성합니다.
+HWP, HWPX, PDF, XLSX, DOCX — 관공서에서 쏟아지는 모든 문서를 파싱하고, 비교하고, 분석하고, 생성합니다.
 
 [English](./README-EN.md)
 
@@ -19,7 +19,7 @@ HWP, HWPX, PDF — 관공서에서 쏟아지는 모든 문서를 파싱하고,
 
 단순한 텍스트 추출을 넘어, **공문서 처리를 위한 모든 과정**을 자동화합니다.
 
-*   **📄 어떤 문서든 마크다운으로**: `HWP`, `HWPX`, `PDF` 파일을 즉시 `Markdown`으로 변환합니다. AI(LLM)가 문서를 읽고 분석하기 가장 좋은 상태로 만들어줍니다.
+*   **📄 어떤 문서든 마크다운으로**: `HWP`, `HWPX`, `PDF`, `XLSX`, `DOCX` 파일을 즉시 `Markdown`으로 변환합니다. AI(LLM)가 문서를 읽고 분석하기 가장 좋은 상태로 만들어줍니다.
 *   **📊 복잡한 표(Table) 완벽 재현**: 선이 없는 PDF나 복잡하게 병합된 HWP 표도 구조를 분석하여 정확한 마크다운 테이블로 복원합니다.
 *   **🔍 신구대조표 자동 생성**: 두 문서의 차이점을 분석하여 무엇이 바뀌었는지 한눈에 보여줍니다. (HWP와 HWPX 간의 비교도 가능!)
 *   **📝 마크다운을 다시 HWPX로**: AI가 작성한 내용을 다시 보고서 양식(`HWPX`)으로 되돌려줍니다. 이제 복사-붙여넣기 노가다에서 해방되세요.
@@ -27,16 +27,25 @@ HWP, HWPX, PDF — 관공서에서 쏟아지는 모든 문서를 파싱하고,
 
 ---
 
-## v1.7.1 변경사항
+## v1.8.0 변경사항
 
-- **이미지 추출 (HWP/HWPX)** — ZIP 엔트리와 HWP5 BinData 스트림에서 바이너리 이미지 추출. 마크다운 `![image](...)` 형태로 출력.
-- **부분 파싱 (Graceful Degradation)** — 개별 페이지 실패가 전체 파싱을 중단하지 않음. 실패 페이지는 `PARTIAL_PARSE` 경고 기록 후 계속 진행.
-- **진행률 콜백** — `ParseOptions`에 `onProgress` 콜백 추가. CLI에서 `[3/15 pages]` 형태 표시. 배치 모드는 `[2/10 files]`.
-- **파일 경로 직접 입력** — `parse("path/to/file.hwp")` 문자열 오버로드. 파일 읽기 + 포맷 감지 자동.
-- **PDF 머리글/바닥글 필터링** — `removeHeaderFooter: true` 옵션으로 페이지 상하단 반복 텍스트 제거. 제거 항목은 `ParseWarning` 기록.
-- **보안 강화** — ZIP bomb 누적크기 추적 전체 파일 타입 적용, Webhook SSRF 방지, 하이퍼링크 XSS 방어(javascript: URL 제거), 널바이트 경로 탐색 감지, Levenshtein 길이 가드, PDF 30초 로딩 타임아웃.
-- **버그 수정** — HWPX generator separator 로직, XML 재귀 깊이 제한(MAX_XML_DEPTH=200), PDF 테이블 행 병합 보호, CLI `--format` 검증, PDF 변수 섀도잉.
-- **UX 개선** — KV 테이블 오탐 개선(시간/URL/숫자 패턴 제외), MCP `parse_metadata` 50MB 제한 + 헤더만 포맷 감지, Watch 디바운스 1000ms + 파일 크기 안정성 체크.
+- **XLSX 파서 추가** — Excel 스프레드시트 파싱. 공유 문자열, 병합 셀, 다중 시트 지원. 시트별 heading + table 블록 생성.
+- **DOCX 파서 추가** — Word 문서 파싱. 스타일 기반 heading, 번호 매기기(리스트), 각주, 하이퍼링크, 이미지 추출, vMerge/gridSpan 테이블 병합.
+- **파싱 품질 대폭 개선** — PDF/HWPX/HWP5/XLSX 전 포맷 품질 점수 73→93점.
+- **프로덕션 리뷰 17건 수정** — CLI `--no-header-footer` 플래그 반전 버그, MCP XLSX/DOCX 확장자 허용, ZIP bomb 보호 공유 유틸화, href XSS 살균 강화, PDF timeout 타이머 정리, HWP5 BinData O(n) 최적화, cluster indexOf O(n²)→O(n), SSRF IPv6 차단 등.
+
+<details>
+<summary>v1.7.x 변경사항</summary>
+
+- **이미지 추출 (HWP/HWPX)** — ZIP 엔트리와 HWP5 BinData 스트림에서 바이너리 이미지 추출.
+- **부분 파싱 (Graceful Degradation)** — 개별 페이지 실패가 전체 파싱을 중단하지 않음.
+- **진행률 콜백** — `onProgress` 콜백. CLI에서 `[3/15 pages]` 형태 표시.
+- **파일 경로 직접 입력** — `parse("path/to/file.hwp")` 문자열 오버로드.
+- **PDF 머리글/바닥글 필터링** — `removeHeaderFooter` 옵션.
+- **보안 강화** — ZIP bomb 추적, SSRF 방지, XSS 방어, 널바이트 감지, PDF 타임아웃.
+- **pdfjs-dist v5 호환** — constructPath 연산자 형식 변경 대응.
+
+</details>
 
 <details>
 <summary>v1.6.1 수정사항</summary>
@@ -194,7 +203,7 @@ npx kordoc watch ./문서 --webhook https://api/hook  # 웹훅 알림
 
 | 도구 | 설명 |
 |------|------|
-| `parse_document` | HWP/HWPX/PDF → 마크다운 (메타데이터 포함) |
+| `parse_document` | HWP/HWPX/PDF/XLSX/DOCX → 마크다운 (메타데이터 포함) |
 | `detect_format` | 매직 바이트로 포맷 감지 |
 | `parse_metadata` | 메타데이터만 빠르게 추출 |
 | `parse_pages` | 특정 페이지 범위만 파싱 |
@@ -212,7 +221,9 @@ npx kordoc watch ./문서 --webhook https://api/hook  # 웹훅 알림
 | `parseHwpx(buffer, options?)` | HWPX 전용 |
 | `parseHwp(buffer, options?)` | HWP 5.x 전용 |
 | `parsePdf(buffer, options?)` | PDF 전용 |
-| `detectFormat(buffer)` | `"hwpx" \| "hwp" \| "pdf" \| "unknown"` |
+| `parseXlsx(buffer, options?)` | XLSX 전용 |
+| `parseDocx(buffer, options?)` | DOCX 전용 |
+| `detectFormat(buffer)` | `"hwpx" \| "hwp" \| "pdf" \| "xlsx" \| "docx" \| "unknown"` |
 
 ### 고급 함수
 
@@ -242,7 +253,9 @@ import type {
 |------|------|------|
 | **HWPX** (한컴 2020+) | ZIP + XML DOM | 매니페스트, 중첩 테이블, 병합 셀, 손상 ZIP 복구 |
 | **HWP 5.x** (한컴 레거시) | OLE2 + CFB | 21종 제어문자, zlib 압축 해제, DRM 감지, colAddr 기반 셀 배치 |
-| **PDF** | pdfjs-dist | 라인 그룹핑, 테이블 감지, 이미지 PDF + OCR |
+| **PDF** | pdfjs-dist | 선 기반 테이블, XY-Cut 읽기 순서, 헤딩 감지, OCR |
+| **XLSX** (Excel) | ZIP + XML DOM | 공유 문자열, 병합 셀, 다중 시트, 수식 표시 |
+| **DOCX** (Word) | ZIP + XML DOM | 스타일 heading, 번호 매기기, 각주, 이미지 추출 |
 
 ## 보안
 
@@ -256,3 +269,11 @@ import type {
 ## 라이선스
 
 [MIT](./LICENSE)
+
+이 프로젝트는 아래 오픈소스를 포함합니다:
+- **OpenDataLoader PDF** (Apache 2.0, Hancom Inc.) — PDF 테이블 감지 알고리즘
+- **cfb** (Apache 2.0, SheetJS) — HWP5 OLE2 컨테이너 파싱
+- **pdfjs-dist** (Apache 2.0, Mozilla) — PDF 텍스트 추출
+- **JSZip** (MIT, Stuart Knightley 외) — ZIP 기반 포맷 파싱
+
+자세한 내용은 [NOTICE](./NOTICE) 파일을 참조하세요.

package/dist/chunk-MOL7MDBG.js

@@ -0,0 +1,35 @@
+#!/usr/bin/env node
+
+// src/page-range.ts
+function parsePageRange(spec, maxPages) {
+  const result = /* @__PURE__ */ new Set();
+  if (maxPages <= 0) return result;
+  if (Array.isArray(spec)) {
+    for (const n of spec) {
+      const page = Math.round(n);
+      if (page >= 1 && page <= maxPages) result.add(page);
+    }
+    return result;
+  }
+  if (typeof spec !== "string" || spec.trim() === "") return result;
+  const parts = spec.split(",");
+  for (const part of parts) {
+    const trimmed = part.trim();
+    if (!trimmed) continue;
+    const rangeMatch = trimmed.match(/^(\d+)\s*-\s*(\d+)$/);
+    if (rangeMatch) {
+      const start = Math.max(1, parseInt(rangeMatch[1], 10));
+      const end = Math.min(maxPages, parseInt(rangeMatch[2], 10));
+      for (let i = start; i <= end; i++) result.add(i);
+    } else {
+      const page = parseInt(trimmed, 10);
+      if (!isNaN(page) && page >= 1 && page <= maxPages) result.add(page);
+    }
+  }
+  return result;
+}
+
+export {
+  parsePageRange
+};
+//# sourceMappingURL=chunk-MOL7MDBG.js.map

package/dist/chunk-MOL7MDBG.js.map

@@ -0,0 +1 @@
+{"version":3,"sources":["../src/page-range.ts"],"sourcesContent":["/** 페이지/섹션 범위 파싱 유틸리티 */\n\n/**\n * 페이지 범위 지정을 1-based Set<number>로 변환.\n *\n * @param spec - [1,2,3] 또는 \"1-3\" 또는 \"1,3,5-7\"\n * @param maxPages - 최대 페이지 수 (클램핑 상한)\n * @returns 1-based 페이지 번호 Set\n */\nexport function parsePageRange(spec: number[] | string, maxPages: number): Set<number> {\n  const result = new Set<number>()\n  if (maxPages <= 0) return result\n\n  if (Array.isArray(spec)) {\n    for (const n of spec) {\n      const page = Math.round(n)\n      if (page >= 1 && page <= maxPages) result.add(page)\n    }\n    return result\n  }\n\n  if (typeof spec !== \"string\" || spec.trim() === \"\") return result\n\n  const parts = spec.split(\",\")\n  for (const part of parts) {\n    const trimmed = part.trim()\n    if (!trimmed) continue\n\n    const rangeMatch = trimmed.match(/^(\\d+)\\s*-\\s*(\\d+)$/)\n    if (rangeMatch) {\n      const start = Math.max(1, parseInt(rangeMatch[1], 10))\n      const end = Math.min(maxPages, parseInt(rangeMatch[2], 10))\n      for (let i = start; i <= end; i++) result.add(i)\n    } else {\n      const page = parseInt(trimmed, 10)\n      if (!isNaN(page) && page >= 1 && page <= maxPages) result.add(page)\n    }\n  }\n\n  return result\n}\n"],"mappings":";;;AASO,SAAS,eAAe,MAAyB,UAA+B;AACrF,QAAM,SAAS,oBAAI,IAAY;AAC/B,MAAI,YAAY,EAAG,QAAO;AAE1B,MAAI,MAAM,QAAQ,IAAI,GAAG;AACvB,eAAW,KAAK,MAAM;AACpB,YAAM,OAAO,KAAK,MAAM,CAAC;AACzB,UAAI,QAAQ,KAAK,QAAQ,SAAU,QAAO,IAAI,IAAI;AAAA,IACpD;AACA,WAAO;AAAA,EACT;AAEA,MAAI,OAAO,SAAS,YAAY,KAAK,KAAK,MAAM,GAAI,QAAO;AAE3D,QAAM,QAAQ,KAAK,MAAM,GAAG;AAC5B,aAAW,QAAQ,OAAO;AACxB,UAAM,UAAU,KAAK,KAAK;AAC1B,QAAI,CAAC,QAAS;AAEd,UAAM,aAAa,QAAQ,MAAM,qBAAqB;AACtD,QAAI,YAAY;AACd,YAAM,QAAQ,KAAK,IAAI,GAAG,SAAS,WAAW,CAAC,GAAG,EAAE,CAAC;AACrD,YAAM,MAAM,KAAK,IAAI,UAAU,SAAS,WAAW,CAAC,GAAG,EAAE,CAAC;AAC1D,eAAS,IAAI,OAAO,KAAK,KAAK,IAAK,QAAO,IAAI,CAAC;AAAA,IACjD,OAAO;AACL,YAAM,OAAO,SAAS,SAAS,EAAE;AACjC,UAAI,CAAC,MAAM,IAAI,KAAK,QAAQ,KAAK,QAAQ,SAAU,QAAO,IAAI,IAAI;AAAA,IACpE;AAAA,EACF;AAEA,SAAO;AACT;","names":[]}