Kyeongmin/_Geulbeot
1
0
Fork 0
Code Issues 37 Pull Requests Actions Packages Projects 4 Releases Wiki Activity

Upload converter pipeline: step2_extract.py

Browse Source
This commit is contained in:
이경민
2026-03-19 09:40:52 +09:00
parent dd936b230b
commit 7ebd14164a
1 changed files with 145 additions and 141 deletions
Download Patch File Download Diff File Expand all files Collapse all files

286
03.Code/업로드용/converters/pipeline/step2_extract.py
View File

@@ -2,12 +2,9 @@
""" """
extract_1_v2.py extract_1_v2.py
PDF에서 텍스트(md)와 이미지(png)를 추출하는 기능을 담당하는 모듈. PDF에서 텍스트(md)와 이미지(png)를 추출
- 원본 폴더 구조 유지 - 하위 폴더 구조 유지
- 이미지 추출 시 캡션(예: <그림 1>)과 연결 - 이미지 메타데이터 JSON 생성 (폴더경로, 파일명, 페이지, 위치, 캡션 등)
- 헤더/푸터 제외 로직 포함
- OCR 옵션 지원 (Tesseract 설치 필요)
- JSON 기반 메타데이터 기록 (이미지경로, 캡션 등)
""" """
import fitz # PyMuPDF import fitz # PyMuPDF
@@ -30,15 +27,14 @@ try:
TESSERACT_AVAILABLE = True TESSERACT_AVAILABLE = True
except ImportError: except ImportError:
TESSERACT_AVAILABLE = False TESSERACT_AVAILABLE = False
print("[INFO] pytesseract 미설치. 이미지 텍스트 분석 기능이 제한됩니다.") print("[INFO] pytesseract 미설치 - 텍스트 잘림 필터 비활성화")
# ===== 설정 및 상수 =====
CAPTION_PATTERN = re.compile( CAPTION_PATTERN = re.compile(
r'^\s*(?:[<\[\(\{]\s*)?(그림|figure|fig)\s*\.?\s*(?:[<\[\(\{]\s*)?0*\d+(?:\s*[-~]\s*\d+)?', r'^\s*(?:[<\[\(\{]\s*)?(그림|figure|fig)\s*\.?\s*(?:[<\[\(\{]\s*)?0*\d+(?:\s*[-–]\s*\d+)?',
re.IGNORECASE re.IGNORECASE
) )
# ===== 이미지 추출 및 캡션 매칭 핵심 로직 =====
def get_figure_rects(page): def get_figure_rects(page):
""" """
@@ -49,7 +45,7 @@ def get_figure_rects(page):
blocks = page.get_text("blocks") blocks = page.get_text("blocks")
captions = [] captions = []
for i, b in enumerate(blocks): for i, b in enumerate(blocks):
text = b[4] text = b[4]
if CAPTION_PATTERN.search(text): if CAPTION_PATTERN.search(text):
@@ -78,7 +74,7 @@ def get_figure_rects(page):
remaining_drawings = filtered_drawings_rects + img_rects remaining_drawings = filtered_drawings_rects + img_rects
caption_clusters = {cap['index']: [cap['rect']] for cap in captions} caption_clusters = {cap['index']: [cap['rect']] for cap in captions}
def is_text_between(r1, r2, text_blocks): def is_text_between(r1, r2, text_blocks):
if r1.intersects(r2): if r1.intersects(r2):
return False return False
@@ -86,7 +82,7 @@ def get_figure_rects(page):
for b in text_blocks: for b in text_blocks:
b_rect = fitz.Rect(b[:4]) b_rect = fitz.Rect(b[:4])
text_content = b[4] text_content = b[4]
if len(text_content.strip()) < 20: if len(text_content.strip()) < 20:
continue continue
if not b_rect.intersects(union): if not b_rect.intersects(union):
continue continue
@@ -99,11 +95,11 @@ def get_figure_rects(page):
while changed: while changed:
changed = False changed = False
to_remove = [] to_remove = []
for d_rect in remaining_drawings: for d_rect in remaining_drawings:
best_cluster_key = None best_cluster_key = None
min_dist = float('inf') min_dist = float('inf')
for cap_index, cluster_rects in caption_clusters.items(): for cap_index, cluster_rects in caption_clusters.items():
for r in cluster_rects: for r in cluster_rects:
dist = 0 dist = 0
@@ -113,57 +109,57 @@ def get_figure_rects(page):
x_dist = 0 x_dist = 0
if d_rect.x1 < r.x0: x_dist = r.x0 - d_rect.x1 if d_rect.x1 < r.x0: x_dist = r.x0 - d_rect.x1
elif d_rect.x0 > r.x1: x_dist = d_rect.x0 - r.x1 elif d_rect.x0 > r.x1: x_dist = d_rect.x0 - r.x1
y_dist = 0 y_dist = 0
if d_rect.y1 < r.y0: y_dist = r.y0 - d_rect.y1 if d_rect.y1 < r.y0: y_dist = r.y0 - d_rect.y1
elif d_rect.y0 > r.y1: y_dist = d_rect.y0 - r.y1 elif d_rect.y0 > r.y1: y_dist = d_rect.y0 - r.y1
if x_dist < 150 and y_dist < 150: if x_dist < 150 and y_dist < 150:
dist = max(x_dist, y_dist) + 0.1 dist = max(x_dist, y_dist) + 0.1
else: else:
dist = float('inf') dist = float('inf')
if dist < min_dist: if dist < min_dist:
if not is_text_between(r, d_rect, blocks): if not is_text_between(r, d_rect, blocks):
min_dist = dist min_dist = dist
best_cluster_key = cap_index best_cluster_key = cap_index
if min_dist == 0: if min_dist == 0:
break break
if best_cluster_key is not None and min_dist < 150: if best_cluster_key is not None and min_dist < 150:
caption_clusters[best_cluster_key].append(d_rect) caption_clusters[best_cluster_key].append(d_rect)
to_remove.append(d_rect) to_remove.append(d_rect)
changed = True changed = True
for r in to_remove: for r in to_remove:
remaining_drawings.remove(r) remaining_drawings.remove(r)
figure_regions = [] figure_regions = []
for cap in captions: for cap in captions:
cluster_rects = caption_clusters[cap['index']] cluster_rects = caption_clusters[cap['index']]
content_rects = cluster_rects[1:] content_rects = cluster_rects[1:]
if not content_rects: if not content_rects:
continue continue
union_rect = content_rects[0] union_rect = content_rects[0]
for r in content_rects[1:]: for r in content_rects[1:]:
union_rect = union_rect | r union_rect = union_rect | r
union_rect.x0 = max(0, union_rect.x0 - 5) union_rect.x0 = max(0, union_rect.x0 - 5)
union_rect.x1 = min(page.rect.width, union_rect.x1 + 5) union_rect.x1 = min(page.rect.width, union_rect.x1 + 5)
union_rect.y0 = max(0, union_rect.y0 - 5) union_rect.y0 = max(0, union_rect.y0 - 5)
union_rect.y1 = min(page.rect.height, union_rect.y1 + 5) union_rect.y1 = min(page.rect.height, union_rect.y1 + 5)
cap_rect = cap['rect'] cap_rect = cap['rect']
if cap_rect.y0 + cap_rect.height/2 < union_rect.y0 + union_rect.height/2: if cap_rect.y0 + cap_rect.height/2 < union_rect.y0 + union_rect.height/2:
if union_rect.y0 < cap_rect.y1: union_rect.y0 = cap_rect.y1 + 2 if union_rect.y0 < cap_rect.y1: union_rect.y0 = cap_rect.y1 + 2
else: else:
if union_rect.y1 > cap_rect.y0: union_rect.y1 = cap_rect.y0 - 2 if union_rect.y1 > cap_rect.y0: union_rect.y1 = cap_rect.y0 - 2
area = union_rect.get_area() area = union_rect.get_area()
page_area = page.rect.get_area() page_area = page.rect.get_area()
@@ -194,7 +190,7 @@ def get_figure_rects(page):
'rect': union_rect, 'rect': union_rect,
'caption_index': cap['index'], 'caption_index': cap['index'],
'caption_rect': cap['rect'], 'caption_rect': cap['rect'],
'caption_text': cap['text'].strip() # 원본 캡션 텍스트 유지 'caption_text': cap['text'].strip() # ★ 캡션 텍스트 저장
}) })
return figure_regions return figure_regions
@@ -224,28 +220,29 @@ def keep_figure(pix):
return True, nonwhite_ratio, edge_ratio, var return True, nonwhite_ratio, edge_ratio, var
# ===== 추가 이미지 필터링 알고리즘 (v2.1) ===== # ===== 추가 이미지 필터 함수들 (v2.1) =====
def pix_to_pil(pix): def pix_to_pil(pix):
"""PyMuPDF Pixmap을 PIL Image로 변환""" """PyMuPDF Pixmap을 PIL Image로 변환"""
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples) img_data = pix.tobytes("png")
return img return Image.open(io.BytesIO(img_data))
def has_cut_text_at_boundary(pix, margin=5): def has_cut_text_at_boundary(pix, margin=5):
""" """
이미지 경계선에 텍스트가 잘려 있는지 확인 이미지 경계에서 텍스트가 잘렸는지 감지
- 이미지 주변에 근접한 텍스트 박스가 있으면 필터링 대상으로 판단 - 이미지 테두리 근처에 텍스트 박스가 있으면 잘린 것으로 판단
Args: Args:
pix: PyMuPDF Pixmap pix: PyMuPDF Pixmap
margin: 경계선으로부터의 여백 (기본 5px) margin: 경계로부터의 여유 픽셀 (기본 5px)
Returns: Returns:
bool: 텍스트가 잘린 경우 True bool: 텍스트가 잘렸으면 True
""" """
if not TESSERACT_AVAILABLE: if not TESSERACT_AVAILABLE:
return False # OCR 없으면 우선 통과 return False # OCR 없으면 필터 비활성화
try: try:
img = pix_to_pil(pix) img = pix_to_pil(pix)
width, height = img.size width, height = img.size
@@ -255,68 +252,69 @@ def has_cut_text_at_boundary(pix, margin=5):
for i, text in enumerate(data['text']): for i, text in enumerate(data['text']):
text = str(text).strip() text = str(text).strip()
if len(text) < 2: # 너무 짧은 텍스트 무시 if len(text) < 2: # 너무 짧은 텍스트는 무시
continue continue
x = data['left'][i] x = data['left'][i]
y = data['top'][i] y = data['top'][i]
w = data['width'][i] w = data['width'][i]
h = data['height'][i] h = data['height'][i]
# 텍스트가 상하좌우 경계선에 너무 가깝다면 = 잘린 텍스트 박스일 가능성 높음 # 텍스트가 이미지 경계에 너무 가까우면 = 잘린 것
# 좌측 경계 # 왼쪽 경계
if x <= margin: if x <= margin:
return True return True
# 우측 경계 # 오른쪽 경계
if x + w >= width - margin: if x + w >= width - margin:
return True return True
# 상단 경계 (제목 형태는 제외하기 위해 높이 제한 추가) # 상단 경계 (헤더 제외를 위해 좀 더 여유)
if y <= margin and h < height * 0.3: if y <= margin and h < height * 0.3:
return True return True
# 하단 경계 # 하단 경계
if y + h >= height - margin: if y + h >= height - margin:
return True return True
return False return False
except Exception as e: except Exception as e:
# OCR 실패 시 필터링 없이 통과 (보수적 접근) # OCR 실패 시 필터 통과 (이미지 유지)
return False return False
def is_decorative_background(pix, edge_threshold=0.02, color_var_threshold=500): def is_decorative_background(pix, edge_threshold=0.02, color_var_threshold=500):
""" """
배경 패턴(장식) 이미지인지 확인 배경 패턴 + 텍스트만 있는 장식용 이미지인지 감지
- 엣지 비율이 낮고 (복잡한 도형/사진이 아님) - 엣지가 적고 (복잡한 도표/사진이 아님)
- 색상 분산이 낮거나 특정 범위 내인 경우 (단조로운 그라데이션 등) - 색상 다양성이 낮으면 (단순 그라데이션 배경)
Args: Args:
pix: PyMuPDF Pixmap pix: PyMuPDF Pixmap
edge_threshold: 엣지 비율 임계값 (기본 0.02 = 2%) edge_threshold: 엣지 비율 임계값 (기본 0.02 = 2%)
color_var_threshold: 색상 분산 임계값 color_var_threshold: 색상 분산 임계값
Returns: Returns:
bool: 배경 이미지인 경우 True bool: 장식용 배경이면 True
""" """
try: try:
nonwhite_ratio, edge_ratio, var = pixmap_metrics(pix) nonwhite_ratio, edge_ratio, var = pixmap_metrics(pix)
# 엣지 비율이 2% 미만이면서 단조로운 색상 분포라면 배경 패턴 가능성 높음 # 엣지가 거의 없고 (단순한 이미지)
# 색상 분산도 낮으면 (배경 패턴)
if edge_ratio < edge_threshold and var < color_var_threshold: if edge_ratio < edge_threshold and var < color_var_threshold:
# 추가적으로 텍스트 이미지인지 OCR로 체크 가능 # 추가 확인: 텍스트만 있는지 OCR로 체크
if TESSERACT_AVAILABLE: if TESSERACT_AVAILABLE:
try: try:
img = pix_to_pil(pix) img = pix_to_pil(pix)
text = pytesseract.image_to_string(img, lang='kor+eng').strip() text = pytesseract.image_to_string(img, lang='kor+eng').strip()
# 텍스트가 있고, 엣지 비율이 아주 낮다면 = 텍스트 배경 장식 # 텍스트가 있고, 이미지가 단순하면 = 텍스트 배경
if len(text) > 3 and edge_ratio < 0.015: if len(text) > 3 and edge_ratio < 0.015:
return True return True
except: except:
pass pass
return True
return True
return False return False
except Exception: except Exception:
@@ -325,14 +323,15 @@ def is_decorative_background(pix, edge_threshold=0.02, color_var_threshold=500):
def is_header_footer_region(rect, page_rect, height_threshold=0.12): def is_header_footer_region(rect, page_rect, height_threshold=0.12):
""" """
헤더/푸터 영역에 포함되는지 확인 헤더/푸터 영역에 있는 이미지인지 감지
- 상단 12% 또는 하단 12%에 위치한 작은 이미지는 필터링 - 페이지 상단 12% 또는 하단 12%에 위치
- 높이가 낮은 strip 형태
Args: Args:
rect: 이미지 영역 (fitz.Rect) rect: 이미지 영역 (fitz.Rect)
page_rect: 전체 페이지 영역 (fitz.Rect) page_rect: 페이지 전체 영역 (fitz.Rect)
height_threshold: 헤더/푸터 영역 비율 (기본 12%) height_threshold: 헤더/푸터 영역 비율 (기본 12%)
Returns: Returns:
bool: 헤더/푸터 영역이면 True bool: 헤더/푸터 영역이면 True
""" """
@@ -341,68 +340,68 @@ def is_header_footer_region(rect, page_rect, height_threshold=0.12):
# 상단 영역 체크 # 상단 영역 체크
if rect.y0 < page_height * height_threshold: if rect.y0 < page_height * height_threshold:
# 매우 얇은 이미지(구분선 등)나 작은 로고 등 # 높이가 페이지의 15% 미만인 strip이면 헤더
if img_height < page_height * 0.15: if img_height < page_height * 0.15:
return True return True
# 하단 영역 체크 # 하단 영역 체크
if rect.y1 > page_height * (1 - height_threshold): if rect.y1 > page_height * (1 - height_threshold):
# 푸터 영역의 작은 이미지 # 높이가 페이지의 15% 미만인 strip이면 푸터
if img_height < page_height * 0.15: if img_height < page_height * 0.15:
return True return True
return False return False
def should_filter_image(pix, rect, page_rect): def should_filter_image(pix, rect, page_rect):
""" """
여러 필터링 규칙을 종합하여 이미지 보존 여부 결정 이미지를 필터링해야 하는지 종합 판단
Args: Args:
pix: PyMuPDF Pixmap pix: PyMuPDF Pixmap
rect: 이미지 영역 rect: 이미지 영역
page_rect: 전체 페이지 영역 page_rect: 페이지 전체 영역
Returns: Returns:
tuple: (필터링 여부, 필터링 이유) tuple: (필터링 여부, 필터링 사유)
""" """
# 1. 헤더/푸터 영역 체크 # 1. 헤더/푸터 영역 체크
if is_header_footer_region(rect, page_rect): if is_header_footer_region(rect, page_rect):
return True, "header_footer" return True, "header_footer"
# 2. 잘린 텍스트 포함 여부 체크 # 2. 텍스트 잘림 체크
if has_cut_text_at_boundary(pix): if has_cut_text_at_boundary(pix):
return True, "cut_text" return True, "cut_text"
# 3. 배경 장식 여부 체크 # 3. 장식용 배경 체크
if is_decorative_background(pix): if is_decorative_background(pix):
return True, "decorative_background" return True, "decorative_background"
return False, None return False, None
def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata): def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
""" """
PDF 내용 추출 메인 함수 PDF 내용 추출
Args: Args:
pdf_path: PDF 경로 pdf_path: PDF 파일 경로
output_md_path: 출력 MD 경로 output_md_path: 출력 MD 파일 경로
img_dir: 이미지 저장 폴더 img_dir: 이미지 저장 폴더
metadata: 메타데이터 정보 (폴더 경로, 파일명 등) metadata: 메타데이터 딕셔너리 (폴더 경로, 파일명 등)
Returns: Returns:
image_metadata_list: 추출된 이미지 메타데이터 리스트 image_metadata_list: 추출된 이미지들의 메타데이터 리스트
""" """
os.makedirs(img_dir, exist_ok=True) os.makedirs(img_dir, exist_ok=True)
image_metadata_list = [] # 이미지 메타데이터 정보 수집 image_metadata_list = [] # ★ 이미지 메타데이터 수집
doc = fitz.open(pdf_path) doc = fitz.open(pdf_path)
total_pages = len(doc) total_pages = len(doc)
with open(output_md_path, "w", encoding="utf-8") as md_file: with open(output_md_path, "w", encoding="utf-8") as md_file:
# 문서 메타데이터 정보 추가 # ★ 메타데이터 헤더 추가
md_file.write(f"---\n") md_file.write(f"---\n")
md_file.write(f"source_pdf: {metadata['pdf_name']}\n") md_file.write(f"source_pdf: {metadata['pdf_name']}\n")
md_file.write(f"source_folder: {metadata['relative_folder']}\n") md_file.write(f"source_folder: {metadata['relative_folder']}\n")
@@ -410,13 +409,13 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
md_file.write(f"extracted_at: {datetime.now().isoformat()}\n") md_file.write(f"extracted_at: {datetime.now().isoformat()}\n")
md_file.write(f"---\n\n") md_file.write(f"---\n\n")
md_file.write(f"# {metadata['pdf_name']}\n\n") md_file.write(f"# {metadata['pdf_name']}\n\n")
for page_num, page in enumerate(doc): for page_num, page in enumerate(doc):
md_file.write(f"\n## Page {page_num + 1}\n\n") md_file.write(f"\n## Page {page_num + 1}\n\n")
img_rel_dir = os.path.basename(img_dir) img_rel_dir = os.path.basename(img_dir)
figure_regions = get_figure_rects(page) figure_regions = get_figure_rects(page)
kept_figures = [] kept_figures = []
for i, fig in enumerate(figure_regions): for i, fig in enumerate(figure_regions):
rect = fig['rect'] rect = fig['rect']
@@ -427,11 +426,11 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
pix = page.get_pixmap(clip=rect, dpi=150, colorspace=fitz.csRGB) pix = page.get_pixmap(clip=rect, dpi=150, colorspace=fitz.csRGB)
# 추가 필터링 로직 적용 (v2.1) # ★ 추가 필터 적용 (v2.1)
should_filter, filter_reason = should_filter_image(pix, rect, page.rect) should_filter, filter_reason = should_filter_image(pix, rect, page.rect)
if should_filter: if should_filter:
continue continue
img_name = f"p{page_num + 1:03d}_fig{len(kept_figures):02d}.png" img_name = f"p{page_num + 1:03d}_fig{len(kept_figures):02d}.png"
img_path = os.path.join(img_dir, img_name) img_path = os.path.join(img_dir, img_name)
pix.save(img_path) pix.save(img_path)
@@ -439,8 +438,8 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
fig['img_path'] = os.path.join(img_rel_dir, img_name).replace("\\", "/") fig['img_path'] = os.path.join(img_rel_dir, img_name).replace("\\", "/")
fig['img_name'] = img_name fig['img_name'] = img_name
kept_figures.append(fig) kept_figures.append(fig)
# 이미지 메타데이터 수집 # ★ 이미지 메타데이터 수집
image_metadata_list.append({ image_metadata_list.append({
"image_file": img_name, "image_file": img_name,
"image_path": str(Path(img_dir) / img_name), "image_path": str(Path(img_dir) / img_name),
@@ -541,11 +540,11 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
clip=block_rect, dpi=150, colorspace=fitz.csRGB clip=block_rect, dpi=150, colorspace=fitz.csRGB
) )
# 추가 필터링 로직 적용 (v2.1) # ★ 추가 필터 적용 (v2.1)
should_filter, filter_reason = should_filter_image(pix, block_rect, page.rect) should_filter, filter_reason = should_filter_image(pix, block_rect, page.rect)
if should_filter: if should_filter:
continue continue
img_name = f"p{page_num + 1:03d}_photo{uncaptioned_idx:02d}.png" img_name = f"p{page_num + 1:03d}_photo{uncaptioned_idx:02d}.png"
img_path = os.path.join(img_dir, img_name) img_path = os.path.join(img_dir, img_name)
pix.save(img_path) pix.save(img_path)
@@ -563,8 +562,8 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
"kind_order": 1, "kind_order": 1,
"md": md, "md": md,
}) })
# 이미지 메타데이터 수집 # ★ 캡션 없는 이미지 메타데이터
image_metadata_list.append({ image_metadata_list.append({
"image_file": img_name, "image_file": img_name,
"image_path": str(Path(img_dir) / img_name), "image_path": str(Path(img_dir) / img_name),
@@ -586,7 +585,7 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
uncaptioned_idx += 1 uncaptioned_idx += 1
continue continue
# 레이아웃 정렬 # 읽기 순서 정렬
text_items = [it for it in items if it["kind"] == "text"] text_items = [it for it in items if it["kind"] == "text"]
page_w = page.rect.width page_w = page.rect.width
mid = page_w / 2.0 mid = page_w / 2.0
@@ -669,18 +668,17 @@ def extract_pdf_content(pdf_path, output_md_path, img_dir, metadata):
def process_all_pdfs(input_dir, output_dir): def process_all_pdfs(input_dir, output_dir):
""" """
BASE_DIR 내의 모든 PDF를 순차적으로 처리 BASE_DIR 하위의 모든 PDF를 재귀적으로 처리
폴더 구조를 유지하여 OUTPUT_BASE에 저장 폴더 구조를 유지하면서 OUTPUT_BASE에 저장
""" """
BASE_DIR = Path(input_dir) BASE_DIR = Path(input_dir)
OUTPUT_BASE = Path(output_dir) OUTPUT_BASE = Path(output_dir)
# 출력 폴더 생성 # 출력 폴더 생성
OUTPUT_BASE.mkdir(parents=True, exist_ok=True) OUTPUT_BASE.mkdir(parents=True, exist_ok=True)
# 전체 추출 된 이미지 메타데이터 통합 # 전체 이미지 메타데이터 수집
all_image_metadata = [] all_image_metadata = []
# 처리 통계 # 처리 통계
stats = { stats = {
"total_pdfs": 0, "total_pdfs": 0,
@@ -688,22 +686,22 @@ def process_all_pdfs(input_dir, output_dir):
"failed": 0, "failed": 0,
"total_images": 0 "total_images": 0
} }
# 실패 로그 # 실패 로그
failed_files = [] failed_files = []
print(f"=" * 60) print(f"=" * 60)
print(f"PDF 콘텐츠 추출 시작") print(f"PDF 추출 시작")
print(f"소스 폴더: {BASE_DIR}") print(f"원본 폴더: {BASE_DIR}")
print(f"출력 폴더: {OUTPUT_BASE}") print(f"출력 폴더: {OUTPUT_BASE}")
print(f"=" * 60) print(f"=" * 60)
# 모든 PDF 파일 찾기 # 모든 PDF 파일 찾기
pdf_files = list(BASE_DIR.rglob("*.pdf")) + list(BASE_DIR.rglob("*.PDF")) pdf_files = list(BASE_DIR.rglob("*.pdf"))
stats["total_pdfs"] = len(pdf_files) stats["total_pdfs"] = len(pdf_files)
print(f"발견된 PDF: {len(pdf_files)}개\n") print(f"\n총 {len(pdf_files)}개 PDF 발견\n")
for idx, pdf_path in enumerate(pdf_files, 1): for idx, pdf_path in enumerate(pdf_files, 1):
try: try:
# 상대 경로 계산 # 상대 경로 계산
@@ -714,14 +712,14 @@ def process_all_pdfs(input_dir, output_dir):
pdf_name = pdf_path.name pdf_name = pdf_path.name
pdf_stem = pdf_path.stem pdf_stem = pdf_path.stem
# 출력 경로 설정 (폴더 구조 유지) # 출력 경로 설정 (폴더 구조 유지)
output_folder = OUTPUT_BASE / relative_path.parent output_folder = OUTPUT_BASE / relative_path.parent
output_folder.mkdir(parents=True, exist_ok=True) output_folder.mkdir(parents=True, exist_ok=True)
output_md = output_folder / f"{pdf_stem}.md" output_md = output_folder / f"{pdf_stem}.md"
img_folder = output_folder / f"{pdf_stem}_img" img_folder = output_folder / f"{pdf_stem}_img"
# 메타데이터 준비 # 메타데이터 준비
metadata = { metadata = {
"pdf_name": pdf_name, "pdf_name": pdf_name,
@@ -729,37 +727,37 @@ def process_all_pdfs(input_dir, output_dir):
"relative_folder": relative_folder, "relative_folder": relative_folder,
"full_path": str(relative_path), "full_path": str(relative_path),
} }
print(f"[{idx}/{len(pdf_files)}] {relative_path}") print(f"[{idx}/{len(pdf_files)}] {relative_path}")
# PDF 처리 # PDF 처리
image_metas = extract_pdf_content( image_metas = extract_pdf_content(
str(pdf_path), str(pdf_path),
str(output_md), str(output_md),
str(img_folder), str(img_folder),
metadata metadata
) )
all_image_metadata.extend(image_metas) all_image_metadata.extend(image_metas)
stats["success"] += 1 stats["success"] += 1
stats["total_images"] += len(image_metas) stats["total_images"] += len(image_metas)
print(f" 완료 (약 {len(image_metas)}개 이미지 추출)") print(f" ✓ 완료 (이미지 {len(image_metas)}개)")
except Exception as e: except Exception as e:
stats["failed"] += 1 stats["failed"] += 1
failed_files.append({ failed_files.append({
"file": str(pdf_path), "file": str(pdf_path),
"error": str(e) "error": str(e)
}) })
print(f" 오류 발생: {e}") print(f" ✗ 실패: {e}")
# 전체 이미지 메타데이터 저장 # 전체 이미지 메타데이터 저장
meta_output_path = OUTPUT_BASE / "image_metadata.json" meta_output_path = OUTPUT_BASE / "image_metadata.json"
with open(meta_output_path, "w", encoding="utf-8") as f: with open(meta_output_path, "w", encoding="utf-8") as f:
json.dump(all_image_metadata, f, ensure_ascii=False, indent=2) json.dump(all_image_metadata, f, ensure_ascii=False, indent=2)
# 처리 결과 요약 저장 # 처리 요약 저장
summary = { summary = {
"processed_at": datetime.now().isoformat(), "processed_at": datetime.now().isoformat(),
"source_dir": str(BASE_DIR), "source_dir": str(BASE_DIR),
@@ -767,21 +765,27 @@ def process_all_pdfs(input_dir, output_dir):
"statistics": stats, "statistics": stats,
"failed_files": failed_files "failed_files": failed_files
} }
summary_path = OUTPUT_BASE / "extraction_summary.json" summary_path = OUTPUT_BASE / "extraction_summary.json"
with open(summary_path, "w", encoding="utf-8") as f: with open(summary_path, "w", encoding="utf-8") as f:
json.dump(summary, f, ensure_ascii=False, indent=2) json.dump(summary, f, ensure_ascii=False, indent=2)
# 결과 출력 # 결과 출력
print(f"\n" + "=" * 60) print(f"\n" + "=" * 60)
print(f"추출 작업 완료!") print(f"추출 완료!")
print(f"=" * 60) print(f"=" * 60)
print(f"총 대상: {stats['total_pdfs']}개") print(f"총 PDF: {stats['total_pdfs']}개")
print(f"성공: {stats['success']}개") print(f"성공: {stats['success']}개")
print(f"실패: {stats['failed']}개") print(f"실패: {stats['failed']}개")
print(f"추출된 이미지: {stats['total_images']}개") print(f"추출된 이미지: {stats['total_images']}개")
print(f"\n이미지 메타데이터: {meta_output_path}") print(f"\n이미지 메타데이터: {meta_output_path}")
print(f"처리 요약: {summary_path}") print(f"처리 요약: {summary_path}")
if failed_files: if failed_files:
print(f"\n실패한 파일 목록은 summary_path에서 확인 가능합니다.") print(f"\n실패한 파일:")
for f in failed_files:
print(f" - {f['file']}: {f['error']}")
if __name__ == "__main__":
process_all_pdfs()