pdfprep 0.1.0__tar.gz

pdfprep-0.1.0/PKG-INFO

@@ -0,0 +1,249 @@
+Metadata-Version: 2.4
+Name: pdfprep
+Version: 0.1.0
+Summary: PDF 전처리 통합 도구 — 메타데이터, 텍스트 파싱, OCR, 표 추출
+Author-email: uwpark <uwpark@simplatform.com>
+License: MIT
+Project-URL: Homepage, https://pypi.org/project/pdfprep/
+Keywords: pdf,ocr,table-extraction,preprocessing,parsing,metadata
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.12
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: POSIX :: Linux
+Classifier: Topic :: Text Processing
+Classifier: Topic :: Scientific/Engineering :: Image Recognition
+Classifier: Natural Language :: Korean
+Requires-Python: >=3.12
+Description-Content-Type: text/markdown
+Requires-Dist: pypdf<6.0,>=4.0
+Requires-Dist: pdfplumber>=0.11.0
+Requires-Dist: pymupdf>=1.27.0
+Requires-Dist: pillow>=10.0
+Requires-Dist: numpy<2
+Requires-Dist: setuptools>=65
+Provides-Extra: ocr
+Requires-Dist: pytesseract>=0.3.13; extra == "ocr"
+Requires-Dist: paddleocr==2.7.3; extra == "ocr"
+Requires-Dist: paddlepaddle==2.6.2; extra == "ocr"
+Provides-Extra: table
+Requires-Dist: camelot-py[base]==1.0.9; extra == "table"
+Requires-Dist: tabula-py>=2.10; extra == "table"
+Requires-Dist: jpype1>=1.5; extra == "table"
+Requires-Dist: layoutparser>=0.3.4; extra == "table"
+Provides-Extra: all
+Requires-Dist: pytesseract>=0.3.13; extra == "all"
+Requires-Dist: paddleocr==2.7.3; extra == "all"
+Requires-Dist: paddlepaddle==2.6.2; extra == "all"
+Requires-Dist: camelot-py[base]==1.0.9; extra == "all"
+Requires-Dist: tabula-py>=2.10; extra == "all"
+Requires-Dist: jpype1>=1.5; extra == "all"
+Requires-Dist: layoutparser>=0.3.4; extra == "all"
+
+# PDF 메타데이터 / 파싱 / OCR / 표 추출 도구
+
+PDF 파일의 메타데이터를 확인하고, 3가지 라이브러리(`pypdf` / `pdfplumber` / `pymupdf`)로 텍스트를 파싱하며, 2가지 OCR 엔진(`tesseract` / `paddleocr`)으로 이미지 기반 텍스트를 추출하고, 3가지 표 추출 라이브러리(`camelot` / `tabula` / `layoutparser`)로 표를 검출·추출하는 Python 스크립트 모음입니다.
+
+## 구성
+
+| 파일 | 설명 |
+| --- | --- |
+| `pdf_metadata.py` | PDF 메타데이터 추출/출력 모듈. CLI로 직접 실행 가능 |
+| `test_pdf_metadata.py` | `pdf_metadata`를 불러와 동작을 검증하는 테스트 스크립트 |
+| `parsing_pdf.py` | 3종 라이브러리로 PDF 텍스트를 파싱하는 통합 모듈 |
+| `test_parsing_pdf.py` | 각 파싱 엔진별 결과를 비교·검증하는 테스트 스크립트 |
+| `ocr_pdf.py` | 2종 OCR 엔진(tesseract / paddleocr)으로 PDF를 OCR하는 통합 모듈 |
+| `test_ocr_pdf.py` | OCR 엔진별 결과(텍스트, 신뢰도, 박스 수 등)를 비교 검증 |
+| `table_pdf.py` | 3종 라이브러리(camelot / tabula / layoutparser)로 표 추출하는 통합 모듈 |
+| `test_table_pdf.py` | 표 추출 엔진별 결과(표 개수, 행/열, 정확도 등)를 비교 검증 |
+| `requirements.txt` | 의존성 목록 |
+| `data/` | 테스트용 PDF 파일을 두는 폴더 |
+
+## 설치
+
+```bash
+pip install -r requirements.txt
+```
+
+PEP 668 환경(Ubuntu 등 시스템 Python)에서는 가상환경 사용을 권장합니다.
+
+```bash
+python3 -m venv .venv
+source .venv/bin/activate
+pip install -r requirements.txt
+```
+
+### Tesseract 시스템 패키지
+
+`pytesseract`는 시스템에 설치된 `tesseract` 바이너리를 호출하므로 별도 설치가 필요합니다.
+
+```bash
+# Ubuntu/Debian — 한국어 + 영어 traineddata 포함
+sudo apt install tesseract-ocr tesseract-ocr-kor tesseract-ocr-eng
+
+# 설치 확인
+tesseract --version
+tesseract --list-langs   # kor, eng 출력되어야 함
+```
+
+### PaddleOCR 버전 주의
+
+`paddleocr 2.7.3` + `paddlepaddle 2.6.2` + `numpy<2` 조합으로 고정되어 있습니다. PaddleOCR 3.x / paddlepaddle 3.x 조합에서는 CPU 환경에서 PIR + oneDNN 호환 문제가 발생할 수 있어 LTS 조합을 사용합니다. 최초 실행 시 모델 파일이 자동으로 다운로드됩니다(~수십 MB).
+
+> **Python 3.12+ 사용자**: `paddlepaddle 2.6.2`는 표준 라이브러리에서 제거된 `distutils`를 호출하므로 `setuptools`가 반드시 설치돼 있어야 합니다(requirements.txt에 포함). 누락 시 `No module named 'setuptools'`가 발생하면 `pip install setuptools`로 해결하세요.
+
+### 표 추출 시스템 패키지
+
+- **camelot** → `ghostscript` 필요 (`sudo apt install ghostscript`)
+- **tabula** → JRE 필요 (`sudo apt install default-jre`)
+- **layoutparser** → PaddleDetection 백엔드 + **TableBank** 모델 사용 (표 전용 학습)
+  - OCR 섹션에서 설치한 `paddlepaddle` 만으로 동작
+  - 최초 실행 시 모델(약 221MB) 자동 다운로드 (Baidu CDN)
+  - 별도 `paddledet` 또는 `detectron2` 설치 불필요
+
+## 사용법
+
+### 1. PDF 메타데이터 출력 (`pdf_metadata.py`)
+
+```bash
+python3 pdf_metadata.py data/pdf_sample.pdf
+python3 pdf_metadata.py a.pdf b.pdf c.pdf
+```
+
+출력 항목
+- 파일 크기, 페이지 수, PDF 버전, 암호화 여부
+- Document Info: Title, Author, Subject, Keywords, Creator, Producer
+- 생성일/수정일 (`D:YYYYMMDDHHMMSS` → `YYYY-MM-DD HH:MM:SS` 변환)
+- 기타 메타데이터 키(`/Trapped` 등)
+
+### 2. 메타데이터 테스트 (`test_pdf_metadata.py`)
+
+```bash
+python3 test_pdf_metadata.py                     # 기본 data/ 폴더
+python3 test_pdf_metadata.py data/pdf_sample.pdf # 단일 파일
+python3 test_pdf_metadata.py a.pdf b.pdf data/   # 혼합 지정
+```
+
+### 3. PDF 텍스트 파싱 (`parsing_pdf.py`)
+
+```bash
+# 전체 엔진으로 한 번에 비교
+python3 parsing_pdf.py data/parsing_sample.pdf
+
+# 특정 엔진만 사용
+python3 parsing_pdf.py data/parsing_sample.pdf pypdf
+python3 parsing_pdf.py data/parsing_sample.pdf pdfplumber
+python3 parsing_pdf.py data/parsing_sample.pdf pymupdf
+```
+
+엔진별 특징
+- **pypdf** — 가벼움. 목차/폼/주석 등 문서 구조 메타에 강점
+- **pdfplumber** — 표(테이블) 추출, 단어/문자 단위 bbox에 강점
+- **pymupdf** (`fitz`) — 빠르고 강력. 블록·이미지·폰트·색상 등 풍부한 메타
+
+### 4. 파싱 테스트 (`test_parsing_pdf.py`)
+
+```bash
+python3 test_parsing_pdf.py                       # 기본 data/ 폴더
+python3 test_parsing_pdf.py data/pdf_sample.pdf   # 단일 파일
+python3 test_parsing_pdf.py /다른/경로/             # 다른 폴더
+```
+
+출력
+- 엔진 × 파일 시간/페이지/텍스트길이 매트릭스
+- 엔진별 특화 지표 (예: pdfplumber → 표 개수, pymupdf → 블록·이미지·폰트 수)
+
+### 5. OCR 실행 (`ocr_pdf.py`)
+
+```bash
+# 전체 엔진으로 비교 (tesseract → paddleocr 순)
+python3 ocr_pdf.py data/pdf_sample.pdf
+
+# 특정 엔진만 사용
+python3 ocr_pdf.py data/pdf_sample.pdf tesseract
+python3 ocr_pdf.py data/pdf_sample.pdf paddleocr
+```
+
+처리 흐름
+1. `pymupdf`로 PDF 각 페이지를 PNG로 렌더링(기본 200 DPI)
+2. 이미지를 OCR 엔진에 전달
+3. 텍스트 + 신뢰도 + 박스/단어 통계 반환
+
+엔진별 특징
+- **tesseract** — 가벼움/빠름. `kor+eng` 등 다국어 동시 인식. 단어 단위 신뢰도 제공
+- **paddleocr** — 딥러닝 기반. 검출(detection) + 인식(recognition) 2단계로 라인별 박스 + 신뢰도 반환
+
+### 6. OCR 테스트 (`test_ocr_pdf.py`)
+
+```bash
+python3 test_ocr_pdf.py                              # 기본 파일 + 전체 엔진
+python3 test_ocr_pdf.py data/pdf_sample.pdf          # 지정 파일 + 전체 엔진
+python3 test_ocr_pdf.py /다른/경로/                    # 지정 폴더 + 전체 엔진
+
+# 엔진 단독 실행 (마지막 인자가 엔진 이름이면 그것만 실행)
+python3 test_ocr_pdf.py data/pdf_sample.pdf tesseract
+python3 test_ocr_pdf.py data/pdf_sample.pdf paddleocr
+python3 test_ocr_pdf.py paddleocr                    # 엔진만 지정 → 기본 파일 사용
+```
+
+출력
+- 엔진 × 파일 시간/페이지/텍스트길이 매트릭스
+- 엔진별 특화 지표
+  - **tesseract**: 인식 단어 수, 평균 신뢰도(%), 사용 언어
+  - **paddleocr**: 검출 텍스트 박스 수, 평균 신뢰도, 사용 언어
+
+라이브러리 미설치 시 해당 엔진은 자동으로 `SKIP` 처리됩니다.
+
+### 7. 표 추출 (`table_pdf.py`)
+
+```bash
+# 전체 엔진으로 비교
+python3 table_pdf.py data/table_sample.pdf
+
+# 특정 엔진만 사용
+python3 table_pdf.py data/table_sample.pdf camelot
+python3 table_pdf.py data/table_sample.pdf tabula
+python3 table_pdf.py data/table_sample.pdf layoutparser
+```
+
+엔진별 특징
+- **camelot** — PDF 표 추출 전용. `lattice`(선 기반) / `stream`(좌표 기반) 두 모드. 정확도(accuracy)·여백률(whitespace) 등 품질 지표 제공. Ghostscript 필요
+- **tabula** — `tabula-java` 래퍼. pandas DataFrame 리스트 반환. JRE 필요
+- **layoutparser** — 페이지를 이미지로 렌더링 후 'Table' 영역의 bbox를 탐지하는 레이아웃 검출기. 셀 내용 추출이 아닌 '표 위치' 검출용. PaddleDetection 백엔드 + TableBank 모델 (영문 PubLayNet 대신 표 전용 학습)
+
+### 8. 표 추출 테스트 (`test_table_pdf.py`)
+
+```bash
+python3 test_table_pdf.py                            # 기본 파일 + 전체 엔진
+python3 test_table_pdf.py data/table_sample.pdf      # 지정 파일 + 전체 엔진
+python3 test_table_pdf.py /다른/경로/                   # 지정 폴더 + 전체 엔진
+
+# 엔진 단독 실행
+python3 test_table_pdf.py data/table_sample.pdf camelot
+python3 test_table_pdf.py data/table_sample.pdf tabula
+python3 test_table_pdf.py data/table_sample.pdf layoutparser
+python3 test_table_pdf.py camelot                    # 엔진만 지정 → 기본 파일 사용
+```
+
+기본 파일은 `data/table_sample.pdf`입니다. 출력에는 표 개수, 각 표의 행/열 크기, 첫 표 미리보기, 엔진별 특화 지표(camelot 정확도, tabula 헤더, layoutparser bbox)가 포함됩니다.
+
+## 폴더 구조
+
+```
+code/
+├── README.md
+├── requirements.txt
+├── pdf_metadata.py
+├── test_pdf_metadata.py
+├── parsing_pdf.py
+├── test_parsing_pdf.py
+├── ocr_pdf.py
+├── test_ocr_pdf.py
+├── table_pdf.py
+├── test_table_pdf.py
+└── data/
+    ├── pdf_sample.pdf
+    ├── parsing_sample.pdf
+    └── table_sample.pdf
+```
+
+`data/`에 PDF를 추가하면 인자 없이 테스트를 실행해도 자동으로 같이 검증됩니다.

pdfprep-0.1.0/README.md

@@ -0,0 +1,208 @@
+# PDF 메타데이터 / 파싱 / OCR / 표 추출 도구
+
+PDF 파일의 메타데이터를 확인하고, 3가지 라이브러리(`pypdf` / `pdfplumber` / `pymupdf`)로 텍스트를 파싱하며, 2가지 OCR 엔진(`tesseract` / `paddleocr`)으로 이미지 기반 텍스트를 추출하고, 3가지 표 추출 라이브러리(`camelot` / `tabula` / `layoutparser`)로 표를 검출·추출하는 Python 스크립트 모음입니다.
+
+## 구성
+
+| 파일 | 설명 |
+| --- | --- |
+| `pdf_metadata.py` | PDF 메타데이터 추출/출력 모듈. CLI로 직접 실행 가능 |
+| `test_pdf_metadata.py` | `pdf_metadata`를 불러와 동작을 검증하는 테스트 스크립트 |
+| `parsing_pdf.py` | 3종 라이브러리로 PDF 텍스트를 파싱하는 통합 모듈 |
+| `test_parsing_pdf.py` | 각 파싱 엔진별 결과를 비교·검증하는 테스트 스크립트 |
+| `ocr_pdf.py` | 2종 OCR 엔진(tesseract / paddleocr)으로 PDF를 OCR하는 통합 모듈 |
+| `test_ocr_pdf.py` | OCR 엔진별 결과(텍스트, 신뢰도, 박스 수 등)를 비교 검증 |
+| `table_pdf.py` | 3종 라이브러리(camelot / tabula / layoutparser)로 표 추출하는 통합 모듈 |
+| `test_table_pdf.py` | 표 추출 엔진별 결과(표 개수, 행/열, 정확도 등)를 비교 검증 |
+| `requirements.txt` | 의존성 목록 |
+| `data/` | 테스트용 PDF 파일을 두는 폴더 |
+
+## 설치
+
+```bash
+pip install -r requirements.txt
+```
+
+PEP 668 환경(Ubuntu 등 시스템 Python)에서는 가상환경 사용을 권장합니다.
+
+```bash
+python3 -m venv .venv
+source .venv/bin/activate
+pip install -r requirements.txt
+```
+
+### Tesseract 시스템 패키지
+
+`pytesseract`는 시스템에 설치된 `tesseract` 바이너리를 호출하므로 별도 설치가 필요합니다.
+
+```bash
+# Ubuntu/Debian — 한국어 + 영어 traineddata 포함
+sudo apt install tesseract-ocr tesseract-ocr-kor tesseract-ocr-eng
+
+# 설치 확인
+tesseract --version
+tesseract --list-langs   # kor, eng 출력되어야 함
+```
+
+### PaddleOCR 버전 주의
+
+`paddleocr 2.7.3` + `paddlepaddle 2.6.2` + `numpy<2` 조합으로 고정되어 있습니다. PaddleOCR 3.x / paddlepaddle 3.x 조합에서는 CPU 환경에서 PIR + oneDNN 호환 문제가 발생할 수 있어 LTS 조합을 사용합니다. 최초 실행 시 모델 파일이 자동으로 다운로드됩니다(~수십 MB).
+
+> **Python 3.12+ 사용자**: `paddlepaddle 2.6.2`는 표준 라이브러리에서 제거된 `distutils`를 호출하므로 `setuptools`가 반드시 설치돼 있어야 합니다(requirements.txt에 포함). 누락 시 `No module named 'setuptools'`가 발생하면 `pip install setuptools`로 해결하세요.
+
+### 표 추출 시스템 패키지
+
+- **camelot** → `ghostscript` 필요 (`sudo apt install ghostscript`)
+- **tabula** → JRE 필요 (`sudo apt install default-jre`)
+- **layoutparser** → PaddleDetection 백엔드 + **TableBank** 모델 사용 (표 전용 학습)
+  - OCR 섹션에서 설치한 `paddlepaddle` 만으로 동작
+  - 최초 실행 시 모델(약 221MB) 자동 다운로드 (Baidu CDN)
+  - 별도 `paddledet` 또는 `detectron2` 설치 불필요
+
+## 사용법
+
+### 1. PDF 메타데이터 출력 (`pdf_metadata.py`)
+
+```bash
+python3 pdf_metadata.py data/pdf_sample.pdf
+python3 pdf_metadata.py a.pdf b.pdf c.pdf
+```
+
+출력 항목
+- 파일 크기, 페이지 수, PDF 버전, 암호화 여부
+- Document Info: Title, Author, Subject, Keywords, Creator, Producer
+- 생성일/수정일 (`D:YYYYMMDDHHMMSS` → `YYYY-MM-DD HH:MM:SS` 변환)
+- 기타 메타데이터 키(`/Trapped` 등)
+
+### 2. 메타데이터 테스트 (`test_pdf_metadata.py`)
+
+```bash
+python3 test_pdf_metadata.py                     # 기본 data/ 폴더
+python3 test_pdf_metadata.py data/pdf_sample.pdf # 단일 파일
+python3 test_pdf_metadata.py a.pdf b.pdf data/   # 혼합 지정
+```
+
+### 3. PDF 텍스트 파싱 (`parsing_pdf.py`)
+
+```bash
+# 전체 엔진으로 한 번에 비교
+python3 parsing_pdf.py data/parsing_sample.pdf
+
+# 특정 엔진만 사용
+python3 parsing_pdf.py data/parsing_sample.pdf pypdf
+python3 parsing_pdf.py data/parsing_sample.pdf pdfplumber
+python3 parsing_pdf.py data/parsing_sample.pdf pymupdf
+```
+
+엔진별 특징
+- **pypdf** — 가벼움. 목차/폼/주석 등 문서 구조 메타에 강점
+- **pdfplumber** — 표(테이블) 추출, 단어/문자 단위 bbox에 강점
+- **pymupdf** (`fitz`) — 빠르고 강력. 블록·이미지·폰트·색상 등 풍부한 메타
+
+### 4. 파싱 테스트 (`test_parsing_pdf.py`)
+
+```bash
+python3 test_parsing_pdf.py                       # 기본 data/ 폴더
+python3 test_parsing_pdf.py data/pdf_sample.pdf   # 단일 파일
+python3 test_parsing_pdf.py /다른/경로/             # 다른 폴더
+```
+
+출력
+- 엔진 × 파일 시간/페이지/텍스트길이 매트릭스
+- 엔진별 특화 지표 (예: pdfplumber → 표 개수, pymupdf → 블록·이미지·폰트 수)
+
+### 5. OCR 실행 (`ocr_pdf.py`)
+
+```bash
+# 전체 엔진으로 비교 (tesseract → paddleocr 순)
+python3 ocr_pdf.py data/pdf_sample.pdf
+
+# 특정 엔진만 사용
+python3 ocr_pdf.py data/pdf_sample.pdf tesseract
+python3 ocr_pdf.py data/pdf_sample.pdf paddleocr
+```
+
+처리 흐름
+1. `pymupdf`로 PDF 각 페이지를 PNG로 렌더링(기본 200 DPI)
+2. 이미지를 OCR 엔진에 전달
+3. 텍스트 + 신뢰도 + 박스/단어 통계 반환
+
+엔진별 특징
+- **tesseract** — 가벼움/빠름. `kor+eng` 등 다국어 동시 인식. 단어 단위 신뢰도 제공
+- **paddleocr** — 딥러닝 기반. 검출(detection) + 인식(recognition) 2단계로 라인별 박스 + 신뢰도 반환
+
+### 6. OCR 테스트 (`test_ocr_pdf.py`)
+
+```bash
+python3 test_ocr_pdf.py                              # 기본 파일 + 전체 엔진
+python3 test_ocr_pdf.py data/pdf_sample.pdf          # 지정 파일 + 전체 엔진
+python3 test_ocr_pdf.py /다른/경로/                    # 지정 폴더 + 전체 엔진
+
+# 엔진 단독 실행 (마지막 인자가 엔진 이름이면 그것만 실행)
+python3 test_ocr_pdf.py data/pdf_sample.pdf tesseract
+python3 test_ocr_pdf.py data/pdf_sample.pdf paddleocr
+python3 test_ocr_pdf.py paddleocr                    # 엔진만 지정 → 기본 파일 사용
+```
+
+출력
+- 엔진 × 파일 시간/페이지/텍스트길이 매트릭스
+- 엔진별 특화 지표
+  - **tesseract**: 인식 단어 수, 평균 신뢰도(%), 사용 언어
+  - **paddleocr**: 검출 텍스트 박스 수, 평균 신뢰도, 사용 언어
+
+라이브러리 미설치 시 해당 엔진은 자동으로 `SKIP` 처리됩니다.
+
+### 7. 표 추출 (`table_pdf.py`)
+
+```bash
+# 전체 엔진으로 비교
+python3 table_pdf.py data/table_sample.pdf
+
+# 특정 엔진만 사용
+python3 table_pdf.py data/table_sample.pdf camelot
+python3 table_pdf.py data/table_sample.pdf tabula
+python3 table_pdf.py data/table_sample.pdf layoutparser
+```
+
+엔진별 특징
+- **camelot** — PDF 표 추출 전용. `lattice`(선 기반) / `stream`(좌표 기반) 두 모드. 정확도(accuracy)·여백률(whitespace) 등 품질 지표 제공. Ghostscript 필요
+- **tabula** — `tabula-java` 래퍼. pandas DataFrame 리스트 반환. JRE 필요
+- **layoutparser** — 페이지를 이미지로 렌더링 후 'Table' 영역의 bbox를 탐지하는 레이아웃 검출기. 셀 내용 추출이 아닌 '표 위치' 검출용. PaddleDetection 백엔드 + TableBank 모델 (영문 PubLayNet 대신 표 전용 학습)
+
+### 8. 표 추출 테스트 (`test_table_pdf.py`)
+
+```bash
+python3 test_table_pdf.py                            # 기본 파일 + 전체 엔진
+python3 test_table_pdf.py data/table_sample.pdf      # 지정 파일 + 전체 엔진
+python3 test_table_pdf.py /다른/경로/                   # 지정 폴더 + 전체 엔진
+
+# 엔진 단독 실행
+python3 test_table_pdf.py data/table_sample.pdf camelot
+python3 test_table_pdf.py data/table_sample.pdf tabula
+python3 test_table_pdf.py data/table_sample.pdf layoutparser
+python3 test_table_pdf.py camelot                    # 엔진만 지정 → 기본 파일 사용
+```
+
+기본 파일은 `data/table_sample.pdf`입니다. 출력에는 표 개수, 각 표의 행/열 크기, 첫 표 미리보기, 엔진별 특화 지표(camelot 정확도, tabula 헤더, layoutparser bbox)가 포함됩니다.
+
+## 폴더 구조
+
+```
+code/
+├── README.md
+├── requirements.txt
+├── pdf_metadata.py
+├── test_pdf_metadata.py
+├── parsing_pdf.py
+├── test_parsing_pdf.py
+├── ocr_pdf.py
+├── test_ocr_pdf.py
+├── table_pdf.py
+├── test_table_pdf.py
+└── data/
+    ├── pdf_sample.pdf
+    ├── parsing_sample.pdf
+    └── table_sample.pdf
+```
+
+`data/`에 PDF를 추가하면 인자 없이 테스트를 실행해도 자동으로 같이 검증됩니다.

pdfprep-0.1.0/pyproject.toml

@@ -0,0 +1,65 @@
+[build-system]
+requires = ["setuptools>=65", "wheel"]
+build-backend = "setuptools.build_meta"
+
+[project]
+name = "pdfprep"
+version = "0.1.0"
+description = "PDF 전처리 통합 도구 — 메타데이터, 텍스트 파싱, OCR, 표 추출"
+readme = "README.md"
+requires-python = ">=3.12"
+license = { text = "MIT" }
+authors = [{ name = "uwpark", email = "uwpark@simplatform.com" }]
+keywords = ["pdf", "ocr", "table-extraction", "preprocessing", "parsing", "metadata"]
+classifiers = [
+    "Programming Language :: Python :: 3",
+    "Programming Language :: Python :: 3.12",
+    "License :: OSI Approved :: MIT License",
+    "Operating System :: POSIX :: Linux",
+    "Topic :: Text Processing",
+    "Topic :: Scientific/Engineering :: Image Recognition",
+    "Natural Language :: Korean",
+]
+
+dependencies = [
+    "pypdf>=4.0,<6.0",
+    "pdfplumber>=0.11.0",
+    "pymupdf>=1.27.0",
+    "pillow>=10.0",
+    "numpy<2",
+    "setuptools>=65",
+]
+
+[project.optional-dependencies]
+ocr = [
+    "pytesseract>=0.3.13",
+    "paddleocr==2.7.3",
+    "paddlepaddle==2.6.2",
+]
+table = [
+    "camelot-py[base]==1.0.9",
+    "tabula-py>=2.10",
+    "jpype1>=1.5",
+    "layoutparser>=0.3.4",
+]
+all = [
+    "pytesseract>=0.3.13",
+    "paddleocr==2.7.3",
+    "paddlepaddle==2.6.2",
+    "camelot-py[base]==1.0.9",
+    "tabula-py>=2.10",
+    "jpype1>=1.5",
+    "layoutparser>=0.3.4",
+]
+
+[project.urls]
+Homepage = "https://pypi.org/project/pdfprep/"
+
+[project.scripts]
+pdfprep-metadata = "pdfprep.metadata:main"
+pdfprep-parse = "pdfprep.parsing:main"
+pdfprep-ocr = "pdfprep.ocr:main"
+pdfprep-table = "pdfprep.table:main"
+
+[tool.setuptools.packages.find]
+where = ["src"]

pdfprep-0.1.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

pdfprep-0.1.0/src/pdfprep/__init__.py

@@ -0,0 +1,15 @@
+"""
+pdfprep — PDF 전처리 도구 모음
+
+서브모듈:
+    metadata  : PDF 메타데이터 추출
+    parsing   : 3종 라이브러리(pypdf / pdfplumber / pymupdf)로 텍스트 파싱
+    ocr       : 2종 OCR 엔진(tesseract / paddleocr)으로 이미지 텍스트 추출
+    table     : 3종 라이브러리(camelot / tabula / layoutparser)로 표 추출
+"""
+
+__version__ = "0.1.0"
+
+from . import metadata, parsing, ocr, table
+
+__all__ = ["metadata", "parsing", "ocr", "table", "__version__"]

pdfprep-0.1.0/src/pdfprep/metadata.py

@@ -0,0 +1,64 @@
+import sys
+from pypdf import PdfReader
+from pathlib import Path
+from datetime import datetime
+
+
+def parse_pdf_date(date_str):
+    if not date_str:
+        return None
+    s = str(date_str)
+    if s.startswith("D:"):
+        s = s[2:]
+    try:
+        return datetime.strptime(s[:14], "%Y%m%d%H%M%S").strftime("%Y-%m-%d %H:%M:%S")
+    except ValueError:
+        return str(date_str)
+
+
+def show_pdf_metadata(pdf_path):
+    path = Path(pdf_path)
+    if not path.exists():
+        print(f"파일을 찾을 수 없습니다: {pdf_path}")
+        return
+
+    reader = PdfReader(str(path))
+    meta = reader.metadata or {}
+
+    print(f"=== PDF 메타데이터: {path.name} ===")
+    print(f"파일 크기      : {path.stat().st_size:,} bytes")
+    print(f"페이지 수      : {len(reader.pages)}")
+    print(f"PDF 버전       : {reader.pdf_header}")
+    print(f"암호화 여부    : {reader.is_encrypted}")
+    print()
+    print("--- Document Info ---")
+    print(f"제목(Title)    : {meta.get('/Title', '')}")
+    print(f"작성자(Author) : {meta.get('/Author', '')}")
+    print(f"주제(Subject)  : {meta.get('/Subject', '')}")
+    print(f"키워드(Keywords): {meta.get('/Keywords', '')}")
+    print(f"생성 도구      : {meta.get('/Creator', '')}")
+    print(f"생성기(Producer): {meta.get('/Producer', '')}")
+    print(f"생성일         : {parse_pdf_date(meta.get('/CreationDate'))}")
+    print(f"수정일         : {parse_pdf_date(meta.get('/ModDate'))}")
+
+    extras = {k: v for k, v in meta.items() if k not in {
+        "/Title", "/Author", "/Subject", "/Keywords",
+        "/Creator", "/Producer", "/CreationDate", "/ModDate",
+    }}
+    if extras:
+        print()
+        print("--- 기타 항목 ---")
+        for k, v in extras.items():
+            print(f"{k}: {v}")
+
+
+if __name__ == "__main__":
+    if len(sys.argv) < 2:
+        print("사용법: python3 pdf_metadata.py <PDF 파일 경로> [추가 파일 ...]")
+        print("예시 : python3 pdf_metadata.py pdf_sample.pdf")
+        sys.exit(1)
+
+    for i, pdf_path in enumerate(sys.argv[1:]):
+        if i > 0:
+            print()
+        show_pdf_metadata(pdf_path)