Skip to content

handler_comparison.md

Latest commit

 

History

History
98 lines (76 loc) · 5.16 KB

handler_comparison.md

File metadata and controls

98 lines (76 loc) · 5.16 KB

Handler Feature Comparison

Contextifier v0.3.0 — 15개 핸들러 기능 지원 매트릭스

지원 포맷 총괄

카테고리 확장자 핸들러
문서 .pdf, .docx, .doc, .hwp, .hwpx, .rtf PDFHandler, DOCXHandler, DOCHandler, HWPHandler, HWPXHandler, RTFHandler
프레젠테이션 .pptx, .ppt PPTXHandler, PPTHandler
스프레드시트 .xlsx, .xls, .csv, .tsv XLSXHandler, XLSHandler, CSVHandler, TSVHandler
웹 .html, .htm, .xhtml HtmlHandler
텍스트/코드 .txt, .md, .log, .rst, .py, .js, .ts, .java, .cpp, .go, .rs 등 (60+) TextHandler
이미지 .jpg, .png, .gif, .bmp, .webp, .tiff 등 (12+) ImageFileHandler

기능 매트릭스

핸들러 텍스트 테이블 이미지 차트 메타데이터 비고
PDFHandler ✅ ✅ ✅¹ ❌ ✅ ¹이미지 태그 인라인 삽입 (OCR 연계)
DOCXHandler ✅ ✅ ✅ ❌ ✅ python-docx 기반
DOCHandler ✅ ✅ ✅ ❌ ✅ OLE2 네이티브 파싱, 자동 포맷 감지 (RTF/DOCX/HTML 위임)
PPTXHandler ✅ ✅ ✅ ✅ ✅ python-pptx 기반, 그룹 셰이프 재귀 탐색
PPTHandler ✅ ✅² ✅ ✅² ✅ OLE2 바이너리 파싱 ²휴리스틱 기반
XLSXHandler ✅ ✅ ✅ ✅ ✅ openpyxl 기반, read_only 모드 지원
XLSHandler ✅ ✅ ✅ ✅ ✅ xlrd + OLE 바이너리 확장
CSVHandler ✅ ✅ — — ✅ 자동 구분자/인코딩 감지, max_rows 스트리밍
TSVHandler ✅ ✅ — — ✅ CSVHandler 기반 (탭 구분자 고정)
HWPHandler ✅ ✅³ ✅³ —³ ✅ OLE2 네이티브 파싱 ³인라인 렌더링
HWPXHandler ✅ ✅³ ✅³ ✅³ ✅ OOXML(ZIP) 파싱 ³인라인 렌더링
RTFHandler ✅ ✅ ✅ ❌ ✅ RTF 파서 내장, 병합 셀 지원
HtmlHandler ✅ ✅ ✅⁴ ❌ ✅ BeautifulSoup 기반 ⁴base64 임베디드 이미지
TextHandler ✅ — — — ⚠️ 60+ 확장자 지원 (코드, 설정 파일 포함)
ImageFileHandler ✅⁵ — ✅ — ✅ ⁵OCR 엔진 연계 시 텍스트 추출

범례

  • ✅ = 완전 지원
  • ⚠️ = 제한적 지원 (기본 정보만)
  • ❌ = 미지원 (포맷 특성상 불가 또는 미구현)
  • — = 해당 없음 (포맷 특성)

주석

  1. PDF 이미지: extract_text() 시 이미지를 저장하고 [Image: ...] 태그를 텍스트에 삽입. ocr_processing=True로 OCR 치환 가능.
  2. PPT 테이블/차트: OLE2 바이너리 레코드 파싱. 복잡한 구조는 휴리스틱 기반 추출.
  3. HWP/HWPX 인라인: 테이블·이미지·차트가 텍스트 추출 과정에서 인라인으로 렌더링됨. extract_tables() 등은 [] 반환.
  4. HTML 이미지: base64 인코딩 인라인 이미지만 추출. 외부 URL 이미지는 태그로 유지.
  5. 이미지 텍스트: OCR 엔진 미설정 시 이미지 태그만 생성. 엔진 설정 시 텍스트 자동 추출.

추출 아키텍처 비교

분리형 (Separate Extraction)

테이블·이미지·차트를 extract_tables(), extract_images(), extract_charts() 메서드로 개별 추출:

  • DOCX, PPTX, XLSX, XLS, RTF, HTML, CSV/TSV, Image

인라인형 (Inline Rendering)

모든 콘텐츠가 extract_text() 과정에서 HTML/텍스트로 인라인 렌더링:

  • HWP, HWPX

하이브리드 (Hybrid)

이미지는 인라인 태그로 삽입하고, 테이블은 별도 추출도 가능:

  • PDF, DOC, PPT

위임 (Delegation) 관계

DOCHandler ─── 콘텐츠 감지 ──→ RTFHandler (RTF 내용일 때)
           └── 콘텐츠 감지 ──→ DOCXHandler (OOXML 내용일 때)
           └── 콘텐츠 감지 ──→ HtmlHandler (HTML 내용일 때)

DOCHandler는 .doc 파일의 실제 포맷을 자동 감지하여, 해당 포맷의 전문 핸들러에 위임합니다. 위임 깊이는 최대 3단계로 제한됩니다 (MAX_DELEGATION_DEPTH).

format_options 지원

핸들러 옵션 키 설명 기본값
PDFHandler render_dpi 이미지 렌더링 DPI 150
PDFHandler min_image_size 최소 이미지 크기 (px) 100
PDFHandler min_image_area 최소 이미지 면적 (px²) 10000
PPTXHandler max_group_depth 그룹 셰이프 최대 재귀 깊이 20
DOCHandler min_text_fragment_length 최소 텍스트 프래그먼트 길이 20
CSVHandler max_rows 최대 처리 행 수 10000
CSVHandler delimiter_candidates 구분자 후보 목록 `[",", "\t", "
CSVHandler encodings 인코딩 후보 목록 ["utf-8", "cp949", ...]
TSVHandler max_rows 최대 처리 행 수 10000
XLSXHandler read_only openpyxl read_only 모드 False
PDFHandler table_size 테이블 감지 최소 크기 50