ParseKit

문서 변환 및 파싱 API 서버 (Spring Boot)

• 문서 변환: JODConverter + LibreOffice (ODT, PDF 변환)
• 이미지 변환: Poppler (PDF → 이미지)
• 문서 파싱: Docling, VLM 기반 OCR (선택적)

동작 모드

/api/parse는 설정된 외부 서비스에 따라 자동으로 알맞은 파서를 실행합니다:

Docling	VLM	활성화되는 파서	설명
❌	❌	없음	변환 API만 사용 가능
✅	❌	DoclingParser	문서 파싱 (이미지 미지원)
❌	✅	VlmParser	이미지 OCR 기반 파싱
✅	✅	HybridParser	Docling + VLM 이미지 OCR

API

변환 API

POST /api/convert/odt

문서를 ODT 형식으로 변환

curl -X POST http://localhost:8000/api/convert/odt \
  -F "file=@document.hwp" \
  -o output.odt

지원 형식: .hwp, .hwpx, .doc, .docx, .dotx, .odt, .ott, .fodt, .rtf, .txt, .html, .xhtml, .wpd, .abw, .xml, .md

POST /api/convert/pdf

문서를 PDF 형식으로 변환

curl -X POST http://localhost:8000/api/convert/pdf \
  -F "file=@document.hwpx" \
  -o output.pdf

지원 형식:

• 텍스트: .hwp, .hwpx, .doc, .docx, .dotx, .odt, .ott, .fodt, .rtf, .txt, .html, .xhtml, .wpd, .abw, .xml, .md
• 스프레드시트: .xls, .xlsx, .xltx, .ods, .ots, .fods, .csv
• 프레젠테이션: .ppt, .pptx, .potx, .odp, .otp, .fodp
• 기타: .pdf (그대로 반환)

POST /api/convert/images

문서를 이미지로 변환 (페이지별 NDJSON 스트리밍)

curl -X POST "http://localhost:8000/api/convert/images?format=png&dpi=150" \
  -F "file=@document.pdf"

파라미터:

파라미터	기본값	설명
format	png	출력 포맷 (png, jpg)
dpi	150	해상도

응답 (NDJSON 스트리밍):

{"page":1,"content":"iVBORw0KGgo...","size":12345,"total_pages":3}
{"page":2,"content":"iVBORw0KGgo...","size":12345,"total_pages":3}
{"page":3,"content":"iVBORw0KGgo...","size":12345,"total_pages":3}

파싱 API

POST /api/parse/parse

문서를 마크다운으로 파싱

curl -X POST "http://localhost:8000/api/parse/parse?dpi=150" \
  -F "file=@document.pdf"

파라미터:

파라미터	기본값	설명	적용 파서
dpi	150	이미지 변환 해상도	VlmParser, HybridParser

응답:

{
  "filename": "document.pdf",
  "markdown": "# 문서 제목\n\n본문 내용..."
}

지원 형식:

• 문서: /api/convert/pdf 지원 형식과 동일
• 이미지: .png, .jpg, .jpeg, .gif, .webp, .bmp, .tiff (VlmParser, HybridParser만)
• 플레인 텍스트: .txt, .md (변환 없이 그대로 반환)

파일 타입별 처리:

파일 타입	DoclingParser	VlmParser	HybridParser
이미지	❌ 415 에러	VLM OCR	VLM OCR
텍스트	그대로 반환	그대로 반환	그대로 반환
PDF	Docling 파싱	이미지 변환 → OCR	Docling (embedded) → VLM OCR
기타 문서	PDF 변환 → 파싱	PDF 변환 → 이미지 → OCR	PDF 변환 → Docling → VLM

에러 응답

모든 에러는 RFC 7807 Problem Details 형식으로 반환됩니다:

{
  "type": "https://parsekit.dev/errors/conversion-failed",
  "title": "Conversion Failed",
  "status": 422,
  "detail": "convertToPdf failed: document.hwp"
}

HTTP 상태	Type	설명
400	bad-request	잘못된 요청 (빈 파일 등)
415	unsupported-media-type	지원하지 않는 미디어 타입
422	conversion-failed	JODConverter 변환 실패
422	image-conversion-failed	Poppler 이미지 변환 실패
422	tika-parse-failed	Tika 파싱 실패
502	docling-error	Docling 서버 오류
502	vlm-error	VLM 서버 오류
500	internal-error	내부 오류

실행

Docker Compose (권장)

# 환경변수 설정
cp .env.example .env
# .env 파일을 편집하여 필요한 값 설정

# 실행
docker compose up -d

# 로그 확인
docker compose logs -f

Docker 단독 실행

docker build -t parsekit .
docker run -p 8000:8000 \
  -e JAVA_OPTS="-Xmx512m" \
  -e DOCLING_BASE_URLS="http://docling:5000" \
  parsekit

Docker 개발 환경

소스 코드를 마운트하여 개발/테스트 환경을 구성합니다:

# 서버 실행 (코드 변경 시 자동 재시작)
docker compose -f docker-compose.dev.yml up

# 테스트 실행
docker compose -f docker-compose.dev.yml run --rm parsekit ./gradlew test

# 빌드만 실행
docker compose -f docker-compose.dev.yml run --rm parsekit ./gradlew build

# 컨테이너 접속
docker compose -f docker-compose.dev.yml run --rm parsekit bash

로컬 실행

1. LibreOffice 및 Poppler 설치

# Ubuntu/Debian
apt-get install libreoffice libreoffice-java-common poppler-utils

# macOS
brew install --cask libreoffice
brew install poppler

2. HWP 지원 (선택)

H2Orestart 확장 설치:

wget https://github.com/ebandal/H2Orestart/releases/download/v0.7.9/H2Orestart.oxt
unopkg add --shared H2Orestart.oxt

3. 서버 실행

./gradlew bootRun

# 또는
./gradlew build
java -jar build/libs/parsekit-converter-0.2.0.jar

설정

환경변수

.env.example을 .env로 복사 후 필요한 값을 설정합니다:

환경변수	기본값	설명
SERVER_PORT	8000	서버 포트
JAVA_OPTS	-Xmx512m	JVM 옵션
LOG_LEVEL	INFO	로그 레벨
MAX_FILE_SIZE	100MB	최대 업로드 파일 크기
MAX_REQUEST_SIZE	100MB	최대 요청 크기
JODCONVERTER_TIMEOUT	120000	LibreOffice 변환 타임아웃 (ms)
DOCLING_BASE_URLS	-	Docling 서버 URL (쉼표로 구분)
DOCLING_TIMEOUT	5m	Docling 요청 타임아웃
VLM_SERVERS	-	VLM 서버 설정 (JSON 배열)
VLM_TIMEOUT	2m	VLM 요청 타임아웃
VLM_MAX_TOKENS	4096	VLM 최대 토큰 수

Docling 설정 예시:

DOCLING_BASE_URLS=http://docling1:5000,http://docling2:5000

VLM 설정 예시:

VLM_SERVERS=[{"base-url":"http://vllm:8000","model":"Qwen/Qwen2-VL-7B-Instruct"}]

Actuator 엔드포인트

엔드포인트	설명
/actuator/health	헬스체크
/actuator/info	빌드 정보

기술 스택

• Java 21 +
• Spring Boot 3.5.x

관련 프로젝트

라이브러리

• JODConverter - LibreOffice Java 연동 라이브러리
• Apache Tika - 파일 타입 감지
• flexmark-java - GitHub Flavored Markdown 파서

내장 도구 (Docker 이미지에 포함)

• LibreOffice - 문서 변환 엔진
• H2Orestart - LibreOffice HWP 지원 확장
• Poppler - PDF 렌더링 CLI 도구

외부 서비스 (HTTP API로 연동)

아래 서비스는 별도 컨테이너로 실행하고, URL 설정을 통해 연동합니다:

• Docling Serve - 문서 파싱 API 서버 (REST API)
• vLLM - OpenAI 호환 API 서버 (VLM OCR용)

TODO

• 멀티파일 배치 API 추가 (POST /api/parse/batch)
  • Docling API가 files 파라미터로 다중 파일 지원
  • 기존 단일 파일 API 유지하면서 배치 엔드포인트 추가 검토
  • 고려사항: 에러 핸들링(부분 실패), 응답 구조, 타임아웃 관리, 메모리