935 lines
33 KiB
Python
935 lines
33 KiB
Python
"""
|
||
HTML 스타일 분석기 v3.0
|
||
HTML 요소를 분석하여 역할(Role)을 자동 분류
|
||
|
||
✅ v3.0 변경사항:
|
||
- 글벗 HTML 구조 완벽 지원 (.sheet, .body-content)
|
||
- 머리말/꼬리말/페이지번호 제거
|
||
- 강력한 중복 콘텐츠 필터링
|
||
- 제목 계층 구조 정확한 인식
|
||
"""
|
||
|
||
import re
|
||
from bs4 import BeautifulSoup, Tag, NavigableString
|
||
from dataclasses import dataclass
|
||
from typing import List, Dict, Optional, Tuple, Set
|
||
from enum import Enum
|
||
|
||
|
||
class DocumentSection(Enum):
|
||
"""문서 섹션 유형"""
|
||
COVER = "cover" # 표지
|
||
TOC = "toc" # 목차
|
||
CONTENT = "content" # 본문
|
||
|
||
|
||
@dataclass
|
||
class StyledElement:
|
||
"""스타일이 지정된 요소"""
|
||
role: str # 역할 (H1, BODY, TH 등)
|
||
text: str # 텍스트 내용
|
||
tag: str # 원본 HTML 태그
|
||
html: str # 원본 HTML
|
||
section: str # 섹션 (cover, toc, content)
|
||
attributes: Dict # 추가 속성 (이미지 src 등)
|
||
|
||
def __repr__(self):
|
||
preview = self.text[:30] + "..." if len(self.text) > 30 else self.text
|
||
return f"<{self.role}> {preview}"
|
||
|
||
|
||
class StyleAnalyzer:
|
||
"""HTML 문서를 분석하여 역할 분류"""
|
||
|
||
# 번호 패턴 정의
|
||
PATTERNS = {
|
||
# 장 번호: "제1장", "제2장"
|
||
"chapter": re.compile(r'^제\s*\d+\s*장'),
|
||
# 1단계 제목: "1 ", "2 " (숫자+공백, 점 없음)
|
||
"h1_num": re.compile(r'^(\d+)\s+[가-힣]'),
|
||
# 대항목: "1.", "2."
|
||
"h2_num": re.compile(r'^(\d+)\.\s'),
|
||
# 중항목: "1.1 ", "1.2 "
|
||
"h3_num": re.compile(r'^(\d+)\.(\d+)\s'),
|
||
# 소항목: "1.1.1"
|
||
"h4_num": re.compile(r'^(\d+)\.(\d+)\.(\d+)'),
|
||
# 세부: "1)", "2)"
|
||
"h5_paren": re.compile(r'^(\d+)\)\s*'),
|
||
# 세세부: "(1)", "(2)"
|
||
"h6_paren": re.compile(r'^\((\d+)\)\s*'),
|
||
# 가나다: "가.", "나."
|
||
"h4_korean": re.compile(r'^[가-하]\.\s'),
|
||
# 가나다 괄호: "가)", "나)"
|
||
"h5_korean": re.compile(r'^[가-하]\)\s'),
|
||
# 원문자: "①", "②"
|
||
"h6_circle": re.compile(r'^[①②③④⑤⑥⑦⑧⑨⑩]'),
|
||
# 목록: "•", "-", "○"
|
||
"list_bullet": re.compile(r'^[•\-○]\s'),
|
||
# 페이지 번호 패턴: "- 1 -", "- 12 -"
|
||
"page_number": re.compile(r'^-\s*\d+\s*-$'),
|
||
# 꼬리말 패턴: "문서제목- 1 -"
|
||
"footer_pattern": re.compile(r'.+[-–]\s*\d+\s*[-–]$'),
|
||
}
|
||
|
||
# 제거할 텍스트 패턴들
|
||
REMOVE_PATTERNS = [
|
||
re.compile(r'^-\s*\d+\s*-$'), # "- 1 -"
|
||
re.compile(r'[-–]\s*\d+\s*[-–]\s*$'), # "문서제목- 1 -"
|
||
re.compile(r'^\d+\s*×\s*\d+$'), # "643 × 236" (이미지 크기)
|
||
re.compile(r'^\[이미지 없음:.*\]$'), # "[이미지 없음: xxx]"
|
||
re.compile(r'^\[그림\s*\d+-\d+\]$'), # "[그림 1-1]"
|
||
]
|
||
|
||
def __init__(self):
|
||
self.elements: List[StyledElement] = []
|
||
self.current_section = DocumentSection.CONTENT
|
||
self.seen_texts: Set[str] = set() # 중복 방지용
|
||
self.document_title = "" # 문서 제목 (꼬리말 제거용)
|
||
|
||
def analyze(self, html: str) -> List[StyledElement]:
|
||
"""HTML 문서 분석하여 역할 분류된 요소 리스트 반환"""
|
||
soup = BeautifulSoup(html, 'html.parser')
|
||
self.elements = []
|
||
self.seen_texts = set()
|
||
|
||
# 1. 전처리: 불필요한 요소 제거
|
||
self._preprocess(soup)
|
||
|
||
# 2. 문서 제목 추출 (꼬리말 패턴 감지용)
|
||
self._extract_document_title(soup)
|
||
|
||
# 3. 섹션 감지 및 순회
|
||
self._detect_and_process_sections(soup)
|
||
|
||
# 4. 후처리: 중복 및 불필요 요소 제거
|
||
self._postprocess()
|
||
|
||
return self.elements
|
||
|
||
def _preprocess(self, soup: BeautifulSoup):
|
||
"""HTML 전처리 - 불필요한 요소 제거"""
|
||
print(" 🔧 HTML 전처리 중...")
|
||
|
||
# 1. 스크립트/스타일 태그 제거
|
||
removed_count = 0
|
||
for tag in soup(['script', 'style', 'noscript', 'meta', 'link', 'head']):
|
||
tag.decompose()
|
||
removed_count += 1
|
||
|
||
if removed_count > 0:
|
||
print(f" - script/style 등 {removed_count}개 제거")
|
||
|
||
# 2. 머리말/꼬리말 영역 제거 (글벗 HTML 구조)
|
||
header_footer_count = 0
|
||
for selector in ['.page-header', '.page-footer', '.header', '.footer',
|
||
'[class*="header"]', '[class*="footer"]',
|
||
'.running-header', '.running-footer']:
|
||
for elem in soup.select(selector):
|
||
# 실제 콘텐츠 헤더가 아닌 페이지 헤더만 제거
|
||
text = elem.get_text(strip=True)
|
||
if self._is_header_footer_text(text):
|
||
elem.decompose()
|
||
header_footer_count += 1
|
||
|
||
if header_footer_count > 0:
|
||
print(f" - 머리말/꼬리말 {header_footer_count}개 제거")
|
||
|
||
# 3. 숨겨진 요소 제거
|
||
hidden_count = 0
|
||
for elem in soup.select('[style*="display:none"], [style*="display: none"]'):
|
||
elem.decompose()
|
||
hidden_count += 1
|
||
for elem in soup.select('[style*="visibility:hidden"], [style*="visibility: hidden"]'):
|
||
elem.decompose()
|
||
hidden_count += 1
|
||
|
||
# 4. #raw-container 외부의 .sheet 제거 (글벗 구조)
|
||
raw_container = soup.find(id='raw-container')
|
||
if raw_container:
|
||
print(" - 글벗 구조 감지: #raw-container 우선 사용")
|
||
# raw-container 외부의 모든 .sheet 제거
|
||
for sheet in soup.select('.sheet'):
|
||
if not self._is_descendant_of(sheet, raw_container):
|
||
sheet.decompose()
|
||
|
||
def _extract_document_title(self, soup: BeautifulSoup):
|
||
"""문서 제목 추출 (꼬리말 패턴 감지용)"""
|
||
# 표지에서 제목 찾기
|
||
cover = soup.find(id='box-cover') or soup.find(class_='box-cover')
|
||
if cover:
|
||
h1 = cover.find('h1')
|
||
if h1:
|
||
self.document_title = h1.get_text(strip=True)
|
||
print(f" - 문서 제목 감지: {self.document_title[:30]}...")
|
||
|
||
def _is_header_footer_text(self, text: str) -> bool:
|
||
"""머리말/꼬리말 텍스트인지 판단"""
|
||
if not text:
|
||
return False
|
||
|
||
# 페이지 번호 패턴
|
||
if self.PATTERNS['page_number'].match(text):
|
||
return True
|
||
|
||
# "문서제목- 1 -" 패턴
|
||
if self.PATTERNS['footer_pattern'].match(text):
|
||
return True
|
||
|
||
# 문서 제목 + 페이지번호 조합
|
||
if self.document_title and self.document_title in text:
|
||
if re.search(r'[-–]\s*\d+\s*[-–]', text):
|
||
return True
|
||
|
||
return False
|
||
|
||
def _should_skip_text(self, text: str) -> bool:
|
||
"""건너뛸 텍스트인지 판단"""
|
||
if not text:
|
||
return True
|
||
|
||
# 제거 패턴 체크
|
||
for pattern in self.REMOVE_PATTERNS:
|
||
if pattern.match(text):
|
||
return True
|
||
|
||
# 머리말/꼬리말 체크
|
||
if self._is_header_footer_text(text):
|
||
return True
|
||
|
||
# 문서 제목만 있는 줄 (꼬리말에서 온 것)
|
||
if self.document_title and text.strip() == self.document_title:
|
||
# 이미 표지에서 처리했으면 스킵
|
||
if any(e.role == 'COVER_TITLE' and self.document_title in e.text
|
||
for e in self.elements):
|
||
return True
|
||
|
||
return False
|
||
|
||
def _is_descendant_of(self, element: Tag, ancestor: Tag) -> bool:
|
||
"""element가 ancestor의 자손인지 확인"""
|
||
parent = element.parent
|
||
while parent:
|
||
if parent == ancestor:
|
||
return True
|
||
parent = parent.parent
|
||
return False
|
||
|
||
def _detect_and_process_sections(self, soup: BeautifulSoup):
|
||
"""섹션 감지 및 처리"""
|
||
|
||
# 글벗 구조 (#raw-container) 우선 처리
|
||
raw = soup.find(id='raw-container')
|
||
if raw:
|
||
self._process_geulbeot_structure(raw)
|
||
return
|
||
|
||
# .sheet 구조 처리 (렌더링된 페이지)
|
||
sheets = soup.select('.sheet')
|
||
if sheets:
|
||
self._process_sheet_structure(sheets)
|
||
return
|
||
|
||
# 일반 HTML 구조 처리
|
||
self._process_generic_html(soup)
|
||
|
||
def _process_geulbeot_structure(self, raw: Tag):
|
||
"""글벗 HTML #raw-container 구조 처리"""
|
||
print(" 📄 글벗 #raw-container 구조 처리 중...")
|
||
|
||
# 표지
|
||
cover = raw.find(id='box-cover')
|
||
if cover:
|
||
print(" - 표지 섹션")
|
||
self.current_section = DocumentSection.COVER
|
||
self._process_cover(cover)
|
||
|
||
# 목차
|
||
toc = raw.find(id='box-toc')
|
||
if toc:
|
||
print(" - 목차 섹션")
|
||
self.current_section = DocumentSection.TOC
|
||
self._process_toc(toc)
|
||
|
||
# 요약
|
||
summary = raw.find(id='box-summary')
|
||
if summary:
|
||
print(" - 요약 섹션")
|
||
self.current_section = DocumentSection.CONTENT
|
||
self._process_content_element(summary)
|
||
|
||
# 본문
|
||
content = raw.find(id='box-content')
|
||
if content:
|
||
print(" - 본문 섹션")
|
||
self.current_section = DocumentSection.CONTENT
|
||
self._process_content_element(content)
|
||
|
||
def _process_sheet_structure(self, sheets: List[Tag]):
|
||
"""글벗 .sheet 페이지 구조 처리"""
|
||
print(f" 📄 .sheet 페이지 구조 처리 중... ({len(sheets)}페이지)")
|
||
|
||
for i, sheet in enumerate(sheets):
|
||
# 페이지 내 body-content만 추출
|
||
body_content = sheet.select_one('.body-content')
|
||
if body_content:
|
||
self._process_content_element(body_content)
|
||
else:
|
||
# body-content가 없으면 머리말/꼬리말 제외하고 처리
|
||
for child in sheet.children:
|
||
if isinstance(child, Tag):
|
||
classes = child.get('class', [])
|
||
class_str = ' '.join(classes) if classes else ''
|
||
|
||
# 머리말/꼬리말 스킵
|
||
if any(x in class_str.lower() for x in ['header', 'footer']):
|
||
continue
|
||
|
||
self._process_content_element(child)
|
||
|
||
def _process_generic_html(self, soup: BeautifulSoup):
|
||
"""일반 HTML 구조 처리"""
|
||
print(" 📄 일반 HTML 구조 처리 중...")
|
||
|
||
# 표지
|
||
cover = soup.find(class_=re.compile(r'cover|title-page|box-cover'))
|
||
if cover:
|
||
self.current_section = DocumentSection.COVER
|
||
self._process_cover(cover)
|
||
|
||
# 목차
|
||
toc = soup.find(class_=re.compile(r'toc|table-of-contents'))
|
||
if toc:
|
||
self.current_section = DocumentSection.TOC
|
||
self._process_toc(toc)
|
||
|
||
# 본문
|
||
self.current_section = DocumentSection.CONTENT
|
||
main_content = soup.find('main') or soup.find('article') or soup.find('body') or soup
|
||
|
||
for child in main_content.children:
|
||
if isinstance(child, Tag):
|
||
self._process_content_element(child)
|
||
|
||
def _process_cover(self, cover: Tag):
|
||
"""표지 처리"""
|
||
# H1 = 제목
|
||
h1 = cover.find('h1')
|
||
if h1:
|
||
text = h1.get_text(strip=True)
|
||
if text and not self._is_duplicate(text):
|
||
self.elements.append(StyledElement(
|
||
role="COVER_TITLE",
|
||
text=text,
|
||
tag="h1",
|
||
html=str(h1)[:200],
|
||
section="cover",
|
||
attributes={}
|
||
))
|
||
|
||
# H2 = 부제목
|
||
h2 = cover.find('h2')
|
||
if h2:
|
||
text = h2.get_text(strip=True)
|
||
if text and not self._is_duplicate(text):
|
||
self.elements.append(StyledElement(
|
||
role="COVER_SUBTITLE",
|
||
text=text,
|
||
tag="h2",
|
||
html=str(h2)[:200],
|
||
section="cover",
|
||
attributes={}
|
||
))
|
||
|
||
# P = 정보
|
||
for p in cover.find_all('p'):
|
||
text = p.get_text(strip=True)
|
||
if text and not self._is_duplicate(text):
|
||
self.elements.append(StyledElement(
|
||
role="COVER_INFO",
|
||
text=text,
|
||
tag="p",
|
||
html=str(p)[:200],
|
||
section="cover",
|
||
attributes={}
|
||
))
|
||
|
||
def _process_toc(self, toc: Tag):
|
||
"""목차 처리"""
|
||
# UL/OL 기반 목차
|
||
for li in toc.find_all('li'):
|
||
text = li.get_text(strip=True)
|
||
if not text or self._is_duplicate(text):
|
||
continue
|
||
|
||
classes = li.get('class', [])
|
||
class_str = ' '.join(classes) if classes else ''
|
||
|
||
# 레벨 판단 (구체적 → 일반 순서!)
|
||
if 'lvl-1' in class_str or 'toc-lvl-1' in class_str:
|
||
role = "TOC_H1"
|
||
elif 'lvl-2' in class_str or 'toc-lvl-2' in class_str:
|
||
role = "TOC_H2"
|
||
elif 'lvl-3' in class_str or 'toc-lvl-3' in class_str:
|
||
role = "TOC_H3"
|
||
elif self.PATTERNS['h4_num'].match(text): # 1.1.1 먼저!
|
||
role = "TOC_H3"
|
||
elif self.PATTERNS['h3_num'].match(text): # 1.1 그다음
|
||
role = "TOC_H2"
|
||
elif self.PATTERNS['h2_num'].match(text): # 1. 그다음
|
||
role = "TOC_H1"
|
||
else:
|
||
role = "TOC_H1"
|
||
|
||
self.elements.append(StyledElement(
|
||
role=role,
|
||
text=text,
|
||
tag="li",
|
||
html=str(li)[:200],
|
||
section="toc",
|
||
attributes={}
|
||
))
|
||
|
||
def _process_content_element(self, element: Tag):
|
||
"""본문 요소 재귀 처리"""
|
||
if not isinstance(element, Tag):
|
||
return
|
||
|
||
tag_name = element.name.lower() if element.name else ""
|
||
classes = element.get('class', [])
|
||
class_str = ' '.join(classes) if classes else ''
|
||
|
||
# 머리말/꼬리말 클래스 스킵
|
||
if any(x in class_str.lower() for x in ['header', 'footer', 'page-num']):
|
||
return
|
||
|
||
# 테이블 특수 처리
|
||
if tag_name == 'table':
|
||
self._process_table(element)
|
||
return
|
||
|
||
# 그림 특수 처리
|
||
if tag_name in ['figure', 'img']:
|
||
self._process_figure(element)
|
||
return
|
||
|
||
# 텍스트 추출
|
||
text = self._get_direct_text(element)
|
||
|
||
if text:
|
||
# 건너뛸 텍스트 체크
|
||
if self._should_skip_text(text):
|
||
pass # 자식은 계속 처리
|
||
elif not self._is_duplicate(text):
|
||
role = self._classify_role(element, tag_name, classes, text)
|
||
if role:
|
||
self.elements.append(StyledElement(
|
||
role=role,
|
||
text=text,
|
||
tag=tag_name,
|
||
html=str(element)[:200],
|
||
section=self.current_section.value,
|
||
attributes=dict(element.attrs) if element.attrs else {}
|
||
))
|
||
|
||
# 자식 요소 재귀 처리 (컨테이너 태그)
|
||
if tag_name in ['div', 'section', 'article', 'aside', 'main', 'body',
|
||
'ul', 'ol', 'dl', 'blockquote']:
|
||
for child in element.children:
|
||
if isinstance(child, Tag):
|
||
self._process_content_element(child)
|
||
|
||
def _get_direct_text(self, element: Tag) -> str:
|
||
"""요소의 직접 텍스트만 추출 (자식 컨테이너 제외)"""
|
||
# 제목 태그는 전체 텍스트
|
||
if element.name in ['h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'p', 'li', 'td', 'th', 'caption']:
|
||
return element.get_text(strip=True)
|
||
|
||
# 컨테이너 태그는 직접 텍스트만
|
||
texts = []
|
||
for child in element.children:
|
||
if isinstance(child, NavigableString):
|
||
t = str(child).strip()
|
||
if t:
|
||
texts.append(t)
|
||
|
||
return ' '.join(texts)
|
||
|
||
def _is_duplicate(self, text: str) -> bool:
|
||
"""중복 텍스트인지 확인"""
|
||
if not text:
|
||
return True
|
||
|
||
# 정규화
|
||
normalized = re.sub(r'\s+', ' ', text.strip())
|
||
|
||
# 짧은 텍스트는 중복 허용 (번호 등)
|
||
if len(normalized) < 10:
|
||
return False
|
||
|
||
# 첫 50자로 체크
|
||
key = normalized[:50]
|
||
|
||
if key in self.seen_texts:
|
||
return True
|
||
|
||
self.seen_texts.add(key)
|
||
return False
|
||
|
||
def _classify_role(self, element: Tag, tag: str, classes: List[str], text: str) -> Optional[str]:
|
||
"""요소의 역할 분류
|
||
|
||
⚠️ 중요: 패턴 매칭은 반드시 구체적인 것 → 일반적인 것 순서로!
|
||
1.1.1 → 1.1 → 1. → 1
|
||
(1) → 1)
|
||
가) → 가.
|
||
"""
|
||
|
||
class_str = ' '.join(classes) if classes else ''
|
||
|
||
# ============ 제목 태그 (HTML 태그 우선) ============
|
||
if tag == 'h1':
|
||
return "H1"
|
||
if tag == 'h2':
|
||
return "H2"
|
||
if tag == 'h3':
|
||
return "H3"
|
||
if tag == 'h4':
|
||
return "H4"
|
||
if tag == 'h5':
|
||
return "H5"
|
||
if tag == 'h6':
|
||
return "H6"
|
||
|
||
# ============ 본문 (p, div 등) - 번호 패턴으로 분류 ============
|
||
if tag in ['p', 'div', 'span']:
|
||
|
||
# ------ 숫자.숫자 패턴 (구체적 → 일반 순서!) ------
|
||
|
||
# "1.1.1" 패턴 (가장 구체적 - 먼저 체크!)
|
||
if self.PATTERNS['h4_num'].match(text):
|
||
if len(text) < 100:
|
||
return "H3"
|
||
return "BODY"
|
||
|
||
# "1.1 " 패턴
|
||
if self.PATTERNS['h3_num'].match(text):
|
||
if len(text) < 100:
|
||
return "H2"
|
||
return "BODY"
|
||
|
||
# "1." 패턴
|
||
if self.PATTERNS['h2_num'].match(text):
|
||
if len(text) < 100:
|
||
return "H1"
|
||
return "BODY"
|
||
|
||
# "1 가나다..." 패턴 (숫자+공백+한글)
|
||
if self.PATTERNS['h1_num'].match(text):
|
||
return "H1"
|
||
|
||
# ------ 괄호 패턴 (구체적 → 일반 순서!) ------
|
||
|
||
# "(1)" 패턴 (괄호로 감싼 게 더 구체적 - 먼저 체크!)
|
||
if self.PATTERNS['h6_paren'].match(text):
|
||
if element.find('strong') or len(text) < 80:
|
||
return "H5"
|
||
return "BODY"
|
||
|
||
# "1)" 패턴
|
||
if self.PATTERNS['h5_paren'].match(text):
|
||
if element.find('strong') or len(text) < 80:
|
||
return "H4"
|
||
return "BODY"
|
||
|
||
# ------ 한글 패턴 (구체적 → 일반 순서!) ------
|
||
|
||
# "가)" 패턴 (괄호가 더 구체적 - 먼저 체크!)
|
||
if self.PATTERNS['h5_korean'].match(text):
|
||
return "H5"
|
||
|
||
# "가." 패턴
|
||
if self.PATTERNS['h4_korean'].match(text):
|
||
return "H4"
|
||
|
||
# ------ 특수 기호 패턴 ------
|
||
|
||
# "①②③" 패턴
|
||
if self.PATTERNS['h6_circle'].match(text):
|
||
return "H6"
|
||
|
||
# ------ 기타 ------
|
||
|
||
# 강조 박스
|
||
if any(x in class_str for x in ['highlight', 'box', 'note', 'tip']):
|
||
return "HIGHLIGHT_BOX"
|
||
|
||
# 일반 본문
|
||
return "BODY"
|
||
|
||
# ============ 목록 ============
|
||
if tag == 'li':
|
||
return "LIST_ITEM"
|
||
|
||
# ============ 정의 목록 ============
|
||
if tag == 'dt':
|
||
return "H5"
|
||
if tag == 'dd':
|
||
return "BODY"
|
||
|
||
return "BODY"
|
||
|
||
def _process_table(self, table: Tag):
|
||
"""테이블 처리 - 구조 데이터 포함"""
|
||
|
||
# 캡션
|
||
caption = table.find('caption')
|
||
caption_text = ""
|
||
if caption:
|
||
caption_text = caption.get_text(strip=True)
|
||
if caption_text and not self._is_duplicate(caption_text):
|
||
self.elements.append(StyledElement(
|
||
role="TABLE_CAPTION",
|
||
text=caption_text,
|
||
tag="caption",
|
||
html=str(caption)[:100],
|
||
section=self.current_section.value,
|
||
attributes={}
|
||
))
|
||
|
||
# 🆕 표 구조 데이터 수집
|
||
table_data = {'rows': [], 'caption': caption_text}
|
||
|
||
for tr in table.find_all('tr'):
|
||
row = []
|
||
for cell in tr.find_all(['th', 'td']):
|
||
cell_info = {
|
||
'text': cell.get_text(strip=True),
|
||
'is_header': cell.name == 'th',
|
||
'colspan': int(cell.get('colspan', 1)),
|
||
'rowspan': int(cell.get('rowspan', 1)),
|
||
'bg_color': self._extract_bg_color(cell),
|
||
}
|
||
row.append(cell_info)
|
||
if row:
|
||
table_data['rows'].append(row)
|
||
|
||
# 🆕 TABLE 요소로 추가 (개별 TH/TD 대신)
|
||
if table_data['rows']:
|
||
self.elements.append(StyledElement(
|
||
role="TABLE",
|
||
text=f"[표: {len(table_data['rows'])}행]",
|
||
tag="table",
|
||
html=str(table)[:200],
|
||
section=self.current_section.value,
|
||
attributes={'table_data': table_data}
|
||
))
|
||
|
||
def _extract_bg_color(self, element: Tag) -> str:
|
||
"""요소에서 배경색 추출"""
|
||
style = element.get('style', '')
|
||
|
||
# background-color 추출
|
||
match = re.search(r'background-color:\s*([^;]+)', style)
|
||
if match:
|
||
return self._normalize_color(match.group(1))
|
||
|
||
# bgcolor 속성
|
||
bgcolor = element.get('bgcolor', '')
|
||
if bgcolor:
|
||
return self._normalize_color(bgcolor)
|
||
|
||
return ''
|
||
|
||
def _process_figure(self, element: Tag):
|
||
"""그림 처리"""
|
||
img = element.find('img') if element.name == 'figure' else element
|
||
|
||
if img and img.name == 'img':
|
||
src = img.get('src', '')
|
||
alt = img.get('alt', '')
|
||
|
||
if src: # src가 있을 때만 추가
|
||
self.elements.append(StyledElement(
|
||
role="FIGURE",
|
||
text=alt or "이미지",
|
||
tag="img",
|
||
html=str(img)[:100],
|
||
section=self.current_section.value,
|
||
attributes={"src": src, "alt": alt}
|
||
))
|
||
|
||
# 캡션
|
||
if element.name == 'figure':
|
||
figcaption = element.find('figcaption')
|
||
if figcaption:
|
||
text = figcaption.get_text(strip=True)
|
||
if text and not self._should_skip_text(text):
|
||
self.elements.append(StyledElement(
|
||
role="FIGURE_CAPTION",
|
||
text=text,
|
||
tag="figcaption",
|
||
html=str(figcaption)[:100],
|
||
section=self.current_section.value,
|
||
attributes={}
|
||
))
|
||
|
||
def _postprocess(self):
|
||
"""후처리: 불필요 요소 제거"""
|
||
print(f" 🧹 후처리 중... (처리 전: {len(self.elements)}개)")
|
||
|
||
filtered = []
|
||
for elem in self.elements:
|
||
# 빈 텍스트 제거
|
||
if not elem.text or not elem.text.strip():
|
||
continue
|
||
|
||
# 머리말/꼬리말 텍스트 제거
|
||
if self._is_header_footer_text(elem.text):
|
||
continue
|
||
|
||
# 제거 패턴 체크
|
||
skip = False
|
||
for pattern in self.REMOVE_PATTERNS:
|
||
if pattern.match(elem.text.strip()):
|
||
skip = True
|
||
break
|
||
|
||
if not skip:
|
||
filtered.append(elem)
|
||
|
||
self.elements = filtered
|
||
print(f" - 처리 후: {len(self.elements)}개")
|
||
|
||
def get_role_summary(self) -> Dict[str, int]:
|
||
"""역할별 요소 수 요약"""
|
||
summary = {}
|
||
for elem in self.elements:
|
||
summary[elem.role] = summary.get(elem.role, 0) + 1
|
||
return dict(sorted(summary.items()))
|
||
|
||
|
||
def extract_css_styles(self, html: str) -> Dict[str, Dict]:
|
||
"""
|
||
HTML에서 역할별 CSS 스타일 추출
|
||
Returns: {역할: {font_size, color, bold, ...}}
|
||
"""
|
||
soup = BeautifulSoup(html, 'html.parser')
|
||
role_styles = {}
|
||
|
||
# <style> 태그에서 CSS 파싱
|
||
style_tag = soup.find('style')
|
||
if style_tag:
|
||
css_text = style_tag.string or ''
|
||
role_styles.update(self._parse_css_rules(css_text))
|
||
|
||
# 인라인 스타일에서 추출 (요소별)
|
||
for elem in self.elements:
|
||
if elem.role not in role_styles:
|
||
role_styles[elem.role] = self._extract_inline_style(elem.html)
|
||
|
||
return role_styles
|
||
|
||
def _parse_css_rules(self, css_text: str) -> Dict[str, Dict]:
|
||
"""CSS 텍스트에서 규칙 파싱"""
|
||
import re
|
||
rules = {}
|
||
|
||
# h1, h2, .section-title 등의 패턴
|
||
pattern = r'([^{]+)\{([^}]+)\}'
|
||
for match in re.finditer(pattern, css_text):
|
||
selector = match.group(1).strip()
|
||
properties = match.group(2)
|
||
|
||
style = {}
|
||
for prop in properties.split(';'):
|
||
if ':' in prop:
|
||
key, value = prop.split(':', 1)
|
||
key = key.strip().lower()
|
||
value = value.strip()
|
||
|
||
if key == 'font-size':
|
||
style['font_size'] = self._parse_font_size(value)
|
||
elif key == 'color':
|
||
style['color'] = self._normalize_color(value)
|
||
elif key == 'font-weight':
|
||
style['bold'] = value in ['bold', '700', '800', '900']
|
||
elif key == 'text-align':
|
||
style['align'] = value
|
||
|
||
# 셀렉터 → 역할 매핑
|
||
role = self._selector_to_role(selector)
|
||
if role:
|
||
rules[role] = style
|
||
|
||
return rules
|
||
|
||
def _selector_to_role(self, selector: str) -> str:
|
||
"""CSS 셀렉터 → 역할 매핑"""
|
||
selector = selector.lower().strip()
|
||
mapping = {
|
||
'h1': 'H1', 'h2': 'H2', 'h3': 'H3', 'h4': 'H4',
|
||
'.cover-title': 'COVER_TITLE',
|
||
'.section-title': 'H1',
|
||
'th': 'TH', 'td': 'TD',
|
||
'p': 'BODY',
|
||
}
|
||
for key, role in mapping.items():
|
||
if key in selector:
|
||
return role
|
||
return None
|
||
|
||
def _parse_font_size(self, value: str) -> float:
|
||
"""폰트 크기 파싱 (pt 단위로 변환)"""
|
||
import re
|
||
match = re.search(r'([\d.]+)(pt|px|em|rem)?', value)
|
||
if match:
|
||
size = float(match.group(1))
|
||
unit = match.group(2) or 'pt'
|
||
if unit == 'px':
|
||
size = size * 0.75 # px → pt
|
||
elif unit in ['em', 'rem']:
|
||
size = size * 11 # 기본 11pt 기준
|
||
return size
|
||
return 11.0
|
||
|
||
def _normalize_color(self, value: str) -> str:
|
||
"""색상값 정규화 (#RRGGBB)"""
|
||
import re
|
||
value = value.strip().lower()
|
||
|
||
# 이미 #rrggbb 형식
|
||
if re.match(r'^#[0-9a-f]{6}$', value):
|
||
return value.upper()
|
||
|
||
# #rgb → #rrggbb
|
||
if re.match(r'^#[0-9a-f]{3}$', value):
|
||
return f'#{value[1]*2}{value[2]*2}{value[3]*2}'.upper()
|
||
|
||
# rgb(r, g, b)
|
||
match = re.search(r'rgb\s*\(\s*(\d+)\s*,\s*(\d+)\s*,\s*(\d+)', value)
|
||
if match:
|
||
r, g, b = int(match.group(1)), int(match.group(2)), int(match.group(3))
|
||
return f'#{r:02X}{g:02X}{b:02X}'
|
||
|
||
# 색상 이름
|
||
color_names = {
|
||
'black': '#000000', 'white': '#FFFFFF',
|
||
'red': '#FF0000', 'green': '#008000', 'blue': '#0000FF',
|
||
'navy': '#1A365D',
|
||
}
|
||
return color_names.get(value, '#000000')
|
||
|
||
def _extract_inline_style(self, html: str) -> Dict:
|
||
"""HTML 요소에서 인라인 스타일 추출"""
|
||
style = {}
|
||
|
||
# style 속성 찾기
|
||
match = re.search(r'style\s*=\s*["\']([^"\']+)["\']', html)
|
||
if match:
|
||
style_str = match.group(1)
|
||
for prop in style_str.split(';'):
|
||
if ':' in prop:
|
||
key, value = prop.split(':', 1)
|
||
key = key.strip().lower()
|
||
value = value.strip()
|
||
|
||
if key == 'font-size':
|
||
style['font_size'] = self._parse_font_size(value)
|
||
elif key == 'color':
|
||
style['color'] = self._normalize_color(value)
|
||
elif key == 'font-weight':
|
||
style['bold'] = value in ['bold', '700', '800', '900']
|
||
elif key == 'text-align':
|
||
style['align'] = value
|
||
elif key == 'background-color':
|
||
style['bg_color'] = self._normalize_color(value)
|
||
|
||
return style
|
||
|
||
def _extract_bg_color(self, element) -> str:
|
||
"""요소에서 배경색 추출"""
|
||
if not hasattr(element, 'get'):
|
||
return ''
|
||
|
||
style = element.get('style', '')
|
||
|
||
# background-color 추출
|
||
match = re.search(r'background-color:\s*([^;]+)', style)
|
||
if match:
|
||
return self._normalize_color(match.group(1))
|
||
|
||
# bgcolor 속성
|
||
bgcolor = element.get('bgcolor', '')
|
||
if bgcolor:
|
||
return self._normalize_color(bgcolor)
|
||
|
||
return ''
|
||
|
||
|
||
def export_for_hwp(self) -> List[Dict]:
|
||
"""HWP 변환용 데이터 내보내기"""
|
||
return [
|
||
{
|
||
"role": e.role,
|
||
"text": e.text,
|
||
"tag": e.tag,
|
||
"section": e.section,
|
||
"attributes": e.attributes
|
||
}
|
||
for e in self.elements
|
||
]
|
||
|
||
|
||
if __name__ == "__main__":
|
||
# 테스트
|
||
test_html = """
|
||
<html>
|
||
<head>
|
||
<script>var x = 1;</script>
|
||
<style>.test { color: red; }</style>
|
||
</head>
|
||
<body>
|
||
<div class="sheet">
|
||
<div class="page-header">건설·토목 측량 DX 실무지침</div>
|
||
<div class="body-content">
|
||
<h1>1 DX 개요와 기본 개념</h1>
|
||
<h2>1.1 측량 DX 프레임</h2>
|
||
<h3>1.1.1 측량 DX 발전 단계</h3>
|
||
<p>1) <strong>Digitization 정의</strong></p>
|
||
<p>본문 내용입니다. 이것은 충분히 긴 텍스트로 본문으로 인식되어야 합니다.</p>
|
||
<p>(1) 단계별 정의 및 진화</p>
|
||
<p>측량 기술의 발전은 장비의 변화와 성과물의 차원에 따라 구분된다.</p>
|
||
</div>
|
||
<div class="page-footer">건설·토목 측량 DX 실무지침- 1 -</div>
|
||
</div>
|
||
|
||
<div class="sheet">
|
||
<div class="page-header">건설·토목 측량 DX 실무지침</div>
|
||
<div class="body-content">
|
||
<p>① 첫 번째 항목</p>
|
||
<table>
|
||
<caption>표 1. 데이터 비교</caption>
|
||
<tr><th>구분</th><th>내용</th></tr>
|
||
<tr><td>항목1</td><td>설명1</td></tr>
|
||
</table>
|
||
</div>
|
||
<div class="page-footer">건설·토목 측량 DX 실무지침- 2 -</div>
|
||
</div>
|
||
</body>
|
||
</html>
|
||
"""
|
||
|
||
analyzer = StyleAnalyzer()
|
||
elements = analyzer.analyze(test_html)
|
||
|
||
print("\n" + "="*60)
|
||
print("분석 결과")
|
||
print("="*60)
|
||
for elem in elements:
|
||
print(f" {elem.role:18} | {elem.section:7} | {elem.text[:50]}")
|
||
|
||
print("\n" + "="*60)
|
||
print("역할 요약")
|
||
print("="*60)
|
||
for role, count in analyzer.get_role_summary().items():
|
||
print(f" {role}: {count}") |