357 lines
11 KiB
Python
357 lines
11 KiB
Python
# -*- coding: utf-8 -*-
|
|
"""
|
|
chunk_and_summary_v2.py
|
|
|
|
기능:
|
|
- 정리중 폴더 아래의 .md 파일들을 대상으로
|
|
1) domain_prompt.txt 기반 GPT 의미 청킹
|
|
2) 청크별 요약 생성
|
|
3) 청크 내 이미지 참조 보존
|
|
4) JSON 저장 (원문+청크+요약+이미지)
|
|
5) RAG용 *_chunks.json 저장
|
|
|
|
전제:
|
|
- extract_1_v2.py 실행 후 .md 파일들이 존재할 것
|
|
- step1_domainprompt.py 실행 후 domain_prompt.txt가 존재할 것
|
|
"""
|
|
|
|
import os
|
|
import sys
|
|
import json
|
|
import re
|
|
from pathlib import Path
|
|
from datetime import datetime
|
|
|
|
from openai import OpenAI
|
|
from api_config import API_KEYS
|
|
|
|
# ===== 경로 =====
|
|
DATA_ROOT = Path(r"D:\for python\geulbeot-light\geulbeot-light\00.test\hwpx\out")
|
|
OUTPUT_ROOT = Path(r"D:\for python\geulbeot-light\geulbeot-light\00.test\hwpx\out\out") # 출력 위치
|
|
|
|
TEXT_DIR = OUTPUT_ROOT / "text"
|
|
JSON_DIR = OUTPUT_ROOT / "json"
|
|
RAG_DIR = OUTPUT_ROOT / "rag"
|
|
CONTEXT_DIR = OUTPUT_ROOT / "context"
|
|
LOG_DIR = OUTPUT_ROOT / "logs"
|
|
|
|
for d in [TEXT_DIR, JSON_DIR, RAG_DIR, CONTEXT_DIR, LOG_DIR]:
|
|
d.mkdir(parents=True, exist_ok=True)
|
|
|
|
# ===== OpenAI 설정 =====
|
|
OPENAI_API_KEY = API_KEYS.get('GPT_API_KEY', '')
|
|
GPT_MODEL = "gpt-5-2025-08-07"
|
|
|
|
client = OpenAI(api_key=OPENAI_API_KEY)
|
|
|
|
# ===== 스킵할 폴더 =====
|
|
SKIP_DIR_NAMES = {"System Volume Information", "$RECYCLE.BIN", ".git", "__pycache__", "output"}
|
|
|
|
# ===== 이미지 참조 패턴 =====
|
|
IMAGE_PATTERN = re.compile(r'!\[([^\]]*)\]\(([^)]+)\)')
|
|
|
|
|
|
def log(msg: str):
|
|
print(msg, flush=True)
|
|
with (LOG_DIR / "chunk_and_summary_log.txt").open("a", encoding="utf-8") as f:
|
|
f.write(f"[{datetime.now().strftime('%H:%M:%S')}] {msg}\n")
|
|
|
|
|
|
def load_domain_prompt() -> str:
|
|
p = CONTEXT_DIR / "domain_prompt.txt"
|
|
if not p.exists():
|
|
log(f"domain_prompt.txt가 없습니다: {p}")
|
|
log("먼저 step1_domainprompt.py를 실행해야 합니다.")
|
|
sys.exit(1)
|
|
return p.read_text(encoding="utf-8", errors="ignore").strip()
|
|
|
|
|
|
def safe_rel(p: Path) -> str:
|
|
"""DATA_ROOT 기준 상대 경로 반환"""
|
|
try:
|
|
return str(p.relative_to(DATA_ROOT))
|
|
except Exception:
|
|
return str(p)
|
|
|
|
|
|
def extract_text_md(p: Path) -> str:
|
|
"""마크다운 파일 텍스트 읽기"""
|
|
try:
|
|
return p.read_text(encoding="utf-8", errors="ignore")
|
|
except Exception:
|
|
return p.read_text(encoding="cp949", errors="ignore")
|
|
|
|
|
|
def find_images_in_text(text: str) -> list:
|
|
"""텍스트에서 이미지 참조 찾기"""
|
|
matches = IMAGE_PATTERN.findall(text)
|
|
return [{"alt": m[0], "path": m[1]} for m in matches]
|
|
|
|
|
|
def semantic_chunk(domain_prompt: str, text: str, source_name: str):
|
|
"""GPT 기반 의미 청킹"""
|
|
if not text.strip():
|
|
return []
|
|
|
|
# 텍스트가 너무 짧으면 그냥 하나의 청크로
|
|
if len(text) < 500:
|
|
return [{
|
|
"title": "전체 내용",
|
|
"keywords": "",
|
|
"content": text
|
|
}]
|
|
|
|
user_prompt = f"""
|
|
아래 문서를 의미 단위(문단/항목/섹션 등)로 분리하고,
|
|
각 청크는 title / keywords / content 를 포함한 JSON 배열로 출력하라.
|
|
|
|
규칙:
|
|
1. 추측 금지, 문서 내용 기반으로만 분리
|
|
2. 이미지 참조()는 관련 텍스트와 같은 청크에 포함
|
|
3. 각 청크는 최소 100자 이상
|
|
4. keywords는 쉼표로 구분된 핵심 키워드 3~5개
|
|
|
|
문서:
|
|
{text[:12000]}
|
|
|
|
JSON 배열만 출력하라. 다른 설명 없이.
|
|
"""
|
|
|
|
try:
|
|
resp = client.chat.completions.create(
|
|
model=GPT_MODEL,
|
|
messages=[
|
|
{"role": "system", "content": domain_prompt + "\n\n너는 의미 기반 청킹 전문가이다. JSON 배열만 출력한다."},
|
|
{"role": "user", "content": user_prompt},
|
|
],
|
|
)
|
|
data = resp.choices[0].message.content.strip()
|
|
|
|
# JSON 파싱 시도
|
|
# ```json ... ``` 형식 처리
|
|
if "```json" in data:
|
|
data = data.split("```json")[1].split("```")[0].strip()
|
|
elif "```" in data:
|
|
data = data.split("```")[1].split("```")[0].strip()
|
|
|
|
if data.startswith("["):
|
|
return json.loads(data)
|
|
|
|
except json.JSONDecodeError as e:
|
|
log(f"[WARN] JSON 파싱 실패 ({source_name}): {e}")
|
|
except Exception as e:
|
|
log(f"[WARN] semantic_chunk API 실패 ({source_name}): {e}")
|
|
|
|
# fallback: 페이지/섹션 기반 분리
|
|
log(f"[INFO] Fallback 청킹 적용: {source_name}")
|
|
return fallback_chunk(text)
|
|
|
|
|
|
def fallback_chunk(text: str) -> list:
|
|
"""GPT 실패 시 대체 청킹 (페이지/섹션 기반)"""
|
|
chunks = []
|
|
|
|
# 페이지 구분자로 분리 시도
|
|
if "## Page " in text:
|
|
pages = re.split(r'\n## Page \d+\n', text)
|
|
for i, page_content in enumerate(pages):
|
|
if page_content.strip():
|
|
chunks.append({
|
|
"title": f"Page {i+1}",
|
|
"keywords": "",
|
|
"content": page_content.strip()
|
|
})
|
|
else:
|
|
# 빈 줄 2개 이상으로 분리
|
|
sections = re.split(r'\n{3,}', text)
|
|
for i, section in enumerate(sections):
|
|
if section.strip() and len(section.strip()) > 50:
|
|
chunks.append({
|
|
"title": f"섹션 {i+1}",
|
|
"keywords": "",
|
|
"content": section.strip()
|
|
})
|
|
|
|
# 청크가 없으면 전체를 하나로
|
|
if not chunks:
|
|
chunks.append({
|
|
"title": "전체 내용",
|
|
"keywords": "",
|
|
"content": text.strip()
|
|
})
|
|
|
|
return chunks
|
|
|
|
|
|
def summary_chunk(domain_prompt: str, text: str, limit: int = 300) -> str:
|
|
"""청크 요약 생성"""
|
|
if not text.strip():
|
|
return ""
|
|
|
|
# 이미지 참조 제거 후 요약 (텍스트만)
|
|
text_only = IMAGE_PATTERN.sub('', text).strip()
|
|
|
|
if len(text_only) < 100:
|
|
return text_only
|
|
|
|
prompt = f"""
|
|
아래 텍스트를 {limit}자 이내로 사실 기반으로 요약하라.
|
|
추측 금지, 고유명사와 수치는 보존.
|
|
|
|
{text_only[:8000]}
|
|
"""
|
|
try:
|
|
resp = client.chat.completions.create(
|
|
model=GPT_MODEL,
|
|
messages=[
|
|
{"role": "system", "content": domain_prompt + "\n\n너는 사실만 요약하는 전문가이다."},
|
|
{"role": "user", "content": prompt},
|
|
],
|
|
)
|
|
return resp.choices[0].message.content.strip()
|
|
except Exception as e:
|
|
log(f"[WARN] summary 실패: {e}")
|
|
return text_only[:limit]
|
|
|
|
|
|
def save_chunk_files(src: Path, text: str, domain_prompt: str) -> int:
|
|
"""
|
|
의미 청킹 → 요약 → JSON 저장
|
|
|
|
Returns:
|
|
생성된 청크 수
|
|
"""
|
|
stem = src.stem
|
|
folder_ctx = safe_rel(src.parent)
|
|
|
|
# 원문 저장
|
|
(TEXT_DIR / f"{stem}_text.txt").write_text(text, encoding="utf-8", errors="ignore")
|
|
|
|
# 의미 청킹
|
|
chunks = semantic_chunk(domain_prompt, text, src.name)
|
|
|
|
if not chunks:
|
|
log(f"[WARN] 청크 없음: {src.name}")
|
|
return 0
|
|
|
|
rag_items = []
|
|
|
|
for idx, ch in enumerate(chunks, start=1):
|
|
content = ch.get("content", "")
|
|
|
|
# 요약 생성
|
|
summ = summary_chunk(domain_prompt, content, 300)
|
|
|
|
# 이 청크에 포함된 이미지 찾기
|
|
images_in_chunk = find_images_in_text(content)
|
|
|
|
rag_items.append({
|
|
"source": src.name,
|
|
"source_path": safe_rel(src),
|
|
"chunk": idx,
|
|
"total_chunks": len(chunks),
|
|
"title": ch.get("title", ""),
|
|
"keywords": ch.get("keywords", ""),
|
|
"text": content,
|
|
"summary": summ,
|
|
"folder_context": folder_ctx,
|
|
"images": images_in_chunk,
|
|
"has_images": len(images_in_chunk) > 0
|
|
})
|
|
|
|
# JSON 저장
|
|
(JSON_DIR / f"{stem}.json").write_text(
|
|
json.dumps(rag_items, ensure_ascii=False, indent=2),
|
|
encoding="utf-8"
|
|
)
|
|
|
|
# RAG용 JSON 저장
|
|
(RAG_DIR / f"{stem}_chunks.json").write_text(
|
|
json.dumps(rag_items, ensure_ascii=False, indent=2),
|
|
encoding="utf-8"
|
|
)
|
|
|
|
return len(chunks)
|
|
|
|
|
|
def main():
|
|
log("=" * 60)
|
|
log("청킹/요약 파이프라인 시작")
|
|
log(f"데이터 폴더: {DATA_ROOT}")
|
|
log(f"출력 폴더: {OUTPUT_ROOT}")
|
|
log("=" * 60)
|
|
|
|
# 도메인 프롬프트 로드
|
|
domain_prompt = load_domain_prompt()
|
|
log(f"도메인 프롬프트 로드 완료 ({len(domain_prompt)}자)")
|
|
|
|
# 통계
|
|
stats = {"docs": 0, "chunks": 0, "images": 0, "errors": 0}
|
|
|
|
# .md 파일 찾기
|
|
md_files = []
|
|
for root, dirs, files in os.walk(DATA_ROOT):
|
|
dirs[:] = [d for d in dirs if d not in SKIP_DIR_NAMES and not d.startswith(".")]
|
|
for fname in files:
|
|
if fname.lower().endswith(".md"):
|
|
md_files.append(Path(root) / fname)
|
|
|
|
log(f"\n총 {len(md_files)}개 .md 파일 발견\n")
|
|
|
|
for idx, fpath in enumerate(md_files, 1):
|
|
try:
|
|
rel_path = safe_rel(fpath)
|
|
log(f"[{idx}/{len(md_files)}] {rel_path}")
|
|
|
|
# 텍스트 읽기
|
|
text = extract_text_md(fpath)
|
|
|
|
if not text.strip():
|
|
log(f" ⚠ 빈 파일, 스킵")
|
|
continue
|
|
|
|
# 이미지 개수 확인
|
|
images = find_images_in_text(text)
|
|
stats["images"] += len(images)
|
|
|
|
# 청킹 및 저장
|
|
chunk_count = save_chunk_files(fpath, text, domain_prompt)
|
|
|
|
stats["docs"] += 1
|
|
stats["chunks"] += chunk_count
|
|
|
|
log(f" ✓ {chunk_count}개 청크, {len(images)}개 이미지")
|
|
|
|
except Exception as e:
|
|
stats["errors"] += 1
|
|
log(f" ✗ 오류: {e}")
|
|
|
|
# 전체 통계 저장
|
|
summary = {
|
|
"processed_at": datetime.now().isoformat(),
|
|
"data_root": str(DATA_ROOT),
|
|
"output_root": str(OUTPUT_ROOT),
|
|
"statistics": stats
|
|
}
|
|
|
|
(LOG_DIR / "chunk_summary_stats.json").write_text(
|
|
json.dumps(summary, ensure_ascii=False, indent=2),
|
|
encoding="utf-8"
|
|
)
|
|
|
|
# 결과 출력
|
|
log("\n" + "=" * 60)
|
|
log("청킹/요약 완료!")
|
|
log("=" * 60)
|
|
log(f"처리된 문서: {stats['docs']}개")
|
|
log(f"생성된 청크: {stats['chunks']}개")
|
|
log(f"포함된 이미지: {stats['images']}개")
|
|
log(f"오류: {stats['errors']}개")
|
|
log(f"\n결과 저장 위치:")
|
|
log(f" - 원문: {TEXT_DIR}")
|
|
log(f" - JSON: {JSON_DIR}")
|
|
log(f" - RAG: {RAG_DIR}")
|
|
|
|
|
|
if __name__ == "__main__":
|
|
main() |