kordoc 4.1.0 → 4.2.0

package/README.md

@@ -84,6 +84,12 @@ MCP 등록 대신 스킬(SKILL.md) 형태로 쓰려면:
 
 ---
 
+## v4.2.0 변경사항
+
+- **👓 내장 텍스트 OCR (PP-OCRv5 korean)**: 스캔/이미지 PDF를 **API 키 없이 로컬 추론**으로 읽습니다 — `parse(buffer, { ocr: true })` / CLI `--ocr` / MCP `parse_document`의 `ocr` 옵션. 모델 ~18MB는 첫 사용 시 자동 다운로드+SHA 검증. 품질 신호가 가리키는 페이지(스캔·글꼴 매핑 깨짐)만 정밀 OCR 하고 정상 페이지는 그대로 두며, OCR 라인 좌표를 표 감지 파이프라인에 태워 **스캔본에서도 표가 복원**됩니다. 한국어 사전 11,945자(완성형 한글 전량), 1페이지 ≈1초.
+- **🩹 HWP3 구버전 파서 정합 3종**: 탭/필드코드/책갈피의 스트림 소비 결함으로 이후 텍스트가 통째로 오염되던 것과, 로마숫자(Ⅰ~Ⅹ)·원문자(①~⑩)·따옴표·글머리가 증발하던 것을 원저장소(rhwp) 후속 패치 반영으로 수리.
+- **🐛 수식 OCR 페이지 off-by-one 수리**: `--pages` 필터가 한 페이지 밀리고 수식이 이전 페이지에 붙던 잠복 결함. XLSX/XLS `--keep-empty-cols` 배선 누락도 수리.
+
 ## v4.1.0 변경사항
 
 - **👁️ `render_document` MCP 도구 신설**: 생성·패치·양식 채움 결과 HWPX를 조판 그대로 **PNG 이미지로 응답에 직접 반환** — AI가 자기가 만든 문서를 눈으로 확인하고 다시 고치는 루프가 MCP 안에서 닫힙니다 (한컴 저장본은 조판 캐시, 생성본은 reflow 조판, 검색어 형광펜 지원).
@@ -491,7 +497,7 @@ MCP 등록 대신 스킬(SKILL.md) 형태로 쓰려면:
 - **구조화 파싱** — `IRBlock[]`과 `DocumentMetadata`에 직접 접근. 마크다운 넘어선 데이터 활용.
 - **페이지 범위** — `parse(buffer, { pages: "1-3" })` — 필요한 페이지만 빠르게.
 - **Markdown → HWPX** — 역변환. AI가 생성한 내용을 바로 공문서로.
-- **OCR 연동** — 이미지 기반 PDF도 텍스트 추출 (Tesseract, Claude Vision 등 프로바이더 직접 제공).
+- **OCR** — 스캔/이미지 PDF 텍스트 추출. 내장 엔진(`ocr: true`, PP-OCRv5 korean) 또는 외부 프로바이더(Tesseract, Claude Vision 등).
 - **Watch 모드** — `kordoc watch ./수신함 -d ./변환결과 --webhook https://...`
 - **MCP 7개 도구** — parse_document, detect_format, parse_metadata, parse_pages, parse_table, compare_documents, parse_form
 - **에러 코드** — `"ENCRYPTED"`, `"ZIP_BOMB"`, `"IMAGE_BASED_PDF"` 등 구조화된 에러 핸들링
@@ -638,12 +644,26 @@ const result = await parse(buffer, { pages: "1-3" })      // 1~3 페이지만
 const result = await parse(buffer, { pages: [1, 5, 10] })  // 특정 페이지
 ```
 
-### OCR (이미지 PDF)
+### OCR (스캔/이미지 PDF) — 내장 엔진 (v4.2.0+)
+
+```typescript
+// 내장 OCR (PP-OCRv5 korean, 첫 사용 시 모델 ~18MB 자동 다운로드)
+const result = await parse(buffer, { ocr: true })     // OCR 필요 페이지만 자동 판정
+const result = await parse(buffer, { ocr: "force" })  // 전 페이지 강제 OCR
+```
+
+- **API 키·외부 서비스 불필요** — det(선 검출)+rec(CTC 인식) ONNX 를 로컬 CPU 로 추론합니다
+  (PaddlePaddle 공식 변환본, Apache-2.0 / 한국어 사전 11,945자 — 완성형 한글 전량).
+- **페이지 단위 정밀 적용** — 텍스트층이 없는 스캔 페이지, ToUnicode 가 깨진 페이지
+  (`needsOcr` 신호)만 OCR 하고 정상 페이지의 파싱 결과는 그대로 유지합니다.
+- **표 복원** — OCR 라인 좌표를 기존 블록 파이프라인(xy-cut 읽기 순서 + 클러스터 표
+  감지)에 태우므로 스캔본에서도 표 구조가 복원됩니다.
+- 외부 OCR 을 쓰고 싶으면 종전대로 프로바이더 함수를 전달하세요:
 
 ```typescript
 const result = await parse(buffer, {
   ocr: async (pageImage, pageNumber, mimeType) => {
-    return await myOcrService.recognize(pageImage)
+    return await myOcrService.recognize(pageImage) // Claude Vision, Tesseract 등
   }
 })
 ```
@@ -655,8 +675,8 @@ PDF는 텍스트층이 있어도 ToUnicode/CMap이 깨졌거나 NUL 등 제어
 ```typescript
 const r = await parsePdf(buffer)
 if (r.success && r.qualitySummary?.needsOcr) {
-  // OCR 큐로 라우팅 (kordoc은 OCR을 기본 탑재하지 않음)
-  await routeToOcr(buffer, r.qualitySummary.ocrCandidatePages)
+  // 내장 OCR 로 재시도 (v4.2.0+) — 또는 외부 OCR 큐로 라우팅
+  const retried = await parse(buffer, { ocr: true })
 }
 
 // 페이지 단위 신호

package/dist/{-AS4IABL2.js → -SXQIZHYA.js}

@@ -39,8 +39,9 @@ import {
   renderHtml,
   unknownFontWarnings,
   validateHwpx
-} from "./chunk-L2XQQTOY.js";
-import "./chunk-UOO7LSDG.js";
+} from "./chunk-IGGRLWT5.js";
+import "./chunk-7FCNOKOR.js";
+import "./chunk-4VNLZ2GZ.js";
 import {
   detectFormat,
   detectOle2Format,
@@ -57,7 +58,7 @@ import {
   buildRangeSplices,
   placeSealHwpx,
   scanSectionXml
-} from "./chunk-AX2R5Q2N.js";
+} from "./chunk-WQLHPOMJ.js";
 import {
   DEFAULT_REDACT_RULES,
   redactMarkdown,
@@ -65,10 +66,10 @@ import {
 } from "./chunk-DZIXKL7E.js";
 import {
   blocksToChunks
-} from "./chunk-F2ZU3IZG.js";
+} from "./chunk-ELOV2GIJ.js";
 import {
   blocksToMarkdown
-} from "./chunk-SSTK6IKK.js";
+} from "./chunk-CMN3SYZ3.js";
 import {
   SPACE_EM_FIXED,
   SPACE_EM_FONT,
@@ -78,11 +79,11 @@ import {
   renderHwpxToSvg,
   simulateWrap,
   simulateWrapKeepWord
-} from "./chunk-37HJHCPA.js";
-import "./chunk-GQVSHGG4.js";
+} from "./chunk-6SHO3BNV.js";
+import "./chunk-V6U6YS5B.js";
 import {
   VERSION
-} from "./chunk-O5VS7RIR.js";
+} from "./chunk-FSXLSHCW.js";
 export {
   DEFAULT_REDACT_RULES,
   HwpxSession,
@@ -150,4 +151,4 @@ export {
   unknownFontWarnings,
   validateHwpx
 };
-//# sourceMappingURL=-AS4IABL2.js.map
+//# sourceMappingURL=-SXQIZHYA.js.map