mdm-parser 0.1.0__tar.gz

mdm_parser-0.1.0/PKG-INFO

@@ -0,0 +1,377 @@
+Metadata-Version: 2.4
+Name: mdm-parser
+Version: 0.1.0
+Summary: Python helpers for MDM (Markdown+Media) document conversion - HWP, PDF, DOCX parser and media renderer
+Author-email: seunghan91 <seunghan91@users.noreply.github.com>
+Maintainer-email: seunghan91 <seunghan91@users.noreply.github.com>
+License-Expression: MIT
+Project-URL: Homepage, https://github.com/seunghan91/markdown-media
+Project-URL: Documentation, https://github.com/seunghan91/markdown-media#readme
+Project-URL: Repository, https://github.com/seunghan91/markdown-media.git
+Project-URL: Issues, https://github.com/seunghan91/markdown-media/issues
+Project-URL: Changelog, https://github.com/seunghan91/markdown-media/releases
+Keywords: markdown,media,hwp,pdf,docx,document,conversion,parser,ocr,table,chart
+Classifier: Development Status :: 4 - Beta
+Classifier: Intended Audience :: Developers
+Classifier: Operating System :: OS Independent
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Text Processing :: Markup
+Classifier: Topic :: Software Development :: Libraries :: Python Modules
+Classifier: Topic :: Multimedia :: Graphics :: Graphics Conversion
+Classifier: Typing :: Typed
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: pdfplumber>=0.10.0
+Requires-Dist: pillow>=9.0.0
+Requires-Dist: svgwrite>=1.4.0
+Requires-Dist: typing-extensions>=4.0.0; python_version < "3.10"
+Provides-Extra: hwp
+Requires-Dist: pyhwp>=0.1b12; extra == "hwp"
+Provides-Extra: ocr
+Requires-Dist: pytesseract>=0.3.10; extra == "ocr"
+Requires-Dist: easyocr>=1.7.0; extra == "ocr"
+Provides-Extra: charts
+Requires-Dist: matplotlib>=3.8.0; extra == "charts"
+Requires-Dist: numpy>=1.24.0; extra == "charts"
+Provides-Extra: all
+Requires-Dist: pyhwp>=0.1b12; extra == "all"
+Requires-Dist: pytesseract>=0.3.10; extra == "all"
+Requires-Dist: easyocr>=1.7.0; extra == "all"
+Requires-Dist: matplotlib>=3.8.0; extra == "all"
+Requires-Dist: numpy>=1.24.0; extra == "all"
+Requires-Dist: cairosvg>=2.7.0; extra == "all"
+Provides-Extra: dev
+Requires-Dist: pytest>=7.0.0; extra == "dev"
+Requires-Dist: pytest-cov>=4.0.0; extra == "dev"
+Requires-Dist: pytest-asyncio>=0.21.0; extra == "dev"
+Requires-Dist: pytest-xdist>=3.0.0; extra == "dev"
+Requires-Dist: black>=23.0.0; extra == "dev"
+Requires-Dist: ruff>=0.1.0; extra == "dev"
+Requires-Dist: mypy>=1.5.0; extra == "dev"
+Requires-Dist: isort>=5.12.0; extra == "dev"
+Requires-Dist: pre-commit>=3.0.0; extra == "dev"
+Requires-Dist: build>=1.0.0; extra == "dev"
+Requires-Dist: twine>=4.0.0; extra == "dev"
+Provides-Extra: docs
+Requires-Dist: sphinx>=7.0.0; extra == "docs"
+Requires-Dist: sphinx-rtd-theme>=2.0.0; extra == "docs"
+Requires-Dist: myst-parser>=2.0.0; extra == "docs"
+
+# Python 패키지 사용 가이드
+
+MDM Python 패키지는 HWP, PDF, HTML 문서를 처리하고 Markdown+Media 형식으로 변환합니다.
+
+## 설치
+
+### PyPI에서 설치 (권장)
+
+```bash
+pip install mdm-parser
+```
+
+### 소스에서 설치
+
+```bash
+cd packages/parser-py
+pip install -e .
+```
+
+### 종속성 설치
+
+```bash
+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
+
+```python
+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:**
+
+```bash
+python hwp_to_svg.py document.hwp output_dir/
+```
+
+---
+
+### 2. pdf_processor.py - PDF 텍스트/이미지 추출
+
+```python
+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:**
+
+```bash
+# 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)
+
+```python
+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:**
+
+```bash
+# 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
+
+```python
+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
+
+```python
+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
+
+```python
+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
+
+```python
+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
+
+```bash
+# 시스템 패키지 설치 (Ubuntu)
+sudo apt-get install libxml2-dev libxslt1-dev
+
+# pip 재설치
+pip install --upgrade pyhwp
+```
+
+### Tesseract 설치
+
+```bash
+# macOS
+brew install tesseract tesseract-lang
+
+# Ubuntu
+sudo apt-get install tesseract-ocr tesseract-ocr-kor
+
+# Python 바인딩
+pip install pytesseract
+```
+
+### EasyOCR GPU 지원
+
+```bash
+# CUDA 있는 경우
+pip install easyocr torch torchvision
+```
+
+---
+
+**Author**: seunghan91
+**Version**: 0.1.0

mdm_parser-0.1.0/README.md

@@ -0,0 +1,313 @@
+# Python 패키지 사용 가이드
+
+MDM Python 패키지는 HWP, PDF, HTML 문서를 처리하고 Markdown+Media 형식으로 변환합니다.
+
+## 설치
+
+### PyPI에서 설치 (권장)
+
+```bash
+pip install mdm-parser
+```
+
+### 소스에서 설치
+
+```bash
+cd packages/parser-py
+pip install -e .
+```
+
+### 종속성 설치
+
+```bash
+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
+
+```python
+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:**
+
+```bash
+python hwp_to_svg.py document.hwp output_dir/
+```
+
+---
+
+### 2. pdf_processor.py - PDF 텍스트/이미지 추출
+
+```python
+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:**
+
+```bash
+# 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)
+
+```python
+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:**
+
+```bash
+# 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
+
+```python
+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
+
+```python
+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
+
+```python
+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
+
+```python
+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
+
+```bash
+# 시스템 패키지 설치 (Ubuntu)
+sudo apt-get install libxml2-dev libxslt1-dev
+
+# pip 재설치
+pip install --upgrade pyhwp
+```
+
+### Tesseract 설치
+
+```bash
+# macOS
+brew install tesseract tesseract-lang
+
+# Ubuntu
+sudo apt-get install tesseract-ocr tesseract-ocr-kor
+
+# Python 바인딩
+pip install pytesseract
+```
+
+### EasyOCR GPU 지원
+
+```bash
+# CUDA 있는 경우
+pip install easyocr torch torchvision
+```
+
+---
+
+**Author**: seunghan91
+**Version**: 0.1.0

mdm_parser-0.1.0/__init__.py

@@ -0,0 +1,24 @@
+"""
+MDM Python Parser Package
+Provides OCR processing, PDF handling, and document conversion utilities.
+"""
+__version__ = '0.1.0'
+
+try:
+    from .ocr_processor import OcrProcessor
+    from .ocr_bridge import RustOcrBridge, OcrResult, RustOutput, OpenRouterOcrEngine
+    from .pdf_processor import PdfProcessor
+    from .hwp_to_svg import HwpToSvgConverter
+
+    __all__ = [
+        'OcrProcessor',
+        'RustOcrBridge',
+        'OcrResult',
+        'RustOutput',
+        'OpenRouterOcrEngine',
+        'PdfProcessor',
+        'HwpToSvgConverter',
+    ]
+except ImportError:
+    # 패키지 외부에서 단독 임포트 시 (예: pytest 환경) 무시
+    __all__ = []