test_code/document_parser.py at main · 9dongb/test_code · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
"""
코드 ID: DOC_PARSER_001
연결 요구사항: AI-REQ-F-001 (문서 분석 및 요구사항 자동 추출)
작성자: AI System
작성일: 2025-09-01
설명: PDF, DOCX, TXT 파일을 읽고 텍스트를 추출하는 모듈
"""

import os
import PyPDF2
from docx import Document
from typing import Dict, List, Optional
import logging

# 코드 ID: DOC_PARSER_001
class DocumentParser:
    """
    문서 파싱 클래스
    - 지원 형식: PDF, DOCX, TXT
    - 요구사항 ID: AI-REQ-F-001과 연결
    """

    def __init__(self):
        self.supported_formats = ['.pdf', '.docx', '.txt']
        self.logger = logging.getLogger(__name__)

    def parse_document(self, file_path: str) -> Dict[str, any]:
        """
        문서를 파싱하여 텍스트 추출

        Args:
            file_path (str): 파싱할 문서 경로

        Returns:
            Dict: 추출된 텍스트와 메타데이터
        """
        if not os.path.exists(file_path):
            raise FileNotFoundError(f"파일을 찾을 수 없습니다: {file_path}")

        file_extension = os.path.splitext(file_path)[1].lower()

        if file_extension == '.pdf':
            return self._parse_pdf(file_path)
        elif file_extension == '.docx':
            return self._parse_docx(file_path)
        elif file_extension == '.txt':
            return self._parse_txt(file_path)
        else:
            raise ValueError(f"지원하지 않는 파일 형식: {file_extension}")

    def _parse_pdf(self, file_path: str) -> Dict[str, any]:
        """PDF 파일 파싱"""
        try:
            with open(file_path, 'rb') as file:
                pdf_reader = PyPDF2.PdfReader(file)
                text = ""

                for page in pdf_reader.pages:
                    text += page.extract_text() + "\n"

                return {
                    'text': text,
                    'pages': len(pdf_reader.pages),
                    'format': 'PDF',
                    'file_name': os.path.basename(file_path)
                }
        except Exception as e:
            self.logger.error(f"PDF 파싱 오류: {e}")
            raise

    def _parse_docx(self, file_path: str) -> Dict[str, any]:
        """DOCX 파일 파싱"""
        try:
            doc = Document(file_path)
            text = ""

            for paragraph in doc.paragraphs:
                text += paragraph.text + "\n"

            return {
                'text': text,
                'paragraphs': len(doc.paragraphs),
                'format': 'DOCX',
                'file_name': os.path.basename(file_path)
            }
        except Exception as e:
            self.logger.error(f"DOCX 파싱 오류: {e}")
            raise

    def _parse_txt(self, file_path: str) -> Dict[str, any]:
        """TXT 파일 파싱"""
        try:
            with open(file_path, 'r', encoding='utf-8') as file:
                text = file.read()

            return {
                'text': text,
                'lines': len(text.split('\n')),
                'format': 'TXT',
                'file_name': os.path.basename(file_path)
            }
        except Exception as e:
            self.logger.error(f"TXT 파싱 오류: {e}")
            raise