프로젝트 1.1 파이썬을 통해 다양한 형식의 파일을 jpg로 바꾸기.

0. 개요

강의계획서에서 텍스트를 읽어 정보를 정리하고, 일정을 자동으로 등록해주는 어플리케이션 만들기.
그 중 강의계획서에서 텍스트를 읽어 정보를 정리하는 파트를 구현해볼 예정이다.

1. 구현 계획

1. word, pdf, hwp 등 강의 계획서를 jpg로 바꾸기
2-1. jpg 파일에서 ocr을 통해 text 추출하기
2-2. text를 추출할 때 정규식을 통해 필요한 정보만 가져온다.
3-1. 일부 text는 정제과정 없이 DB에 저장한다.
3-2. 일부 text는 정제한 후 자연어처리하여 요약 후 DB에 저장한다.

• Q) 왜 굳이 jpg로 바꿔서 text를 추출하냐? 그냥 바로 text 추출하면 안되냐?
• A) 강의계획서는 단순히 줄글 형식이 아니라 표가 많이 포함된 형식이다. 표를 살리면서 텍스트를 뽑아내야 하는데 그러기 위해서 이미지로 인식시켜 텍스트를 추출하는 게 좋다고 생각되었다.

2. 구현할 내용

이번 포스트에선 다양한 형식의 강의 계획서 파일을 jpg 파일로 변환하는 코드를 구현할 것이다. 파이썬으로 구현할 것이며, 함수는 총 5개이다.

• pdf_to_jpg: pdf를 jpg로 바꾸어 local에 저장한다. 이 때 pdf 파일은 그대로 보존되며, jpg 파일은 별개로 저장된다.
• hwp_to_pdf: hwp를 pdf로 바꾸어 local에 저장한다. 이 때 hwp 파일은 그대로 보존되며, pdf 파일은 별개로 저장된다.
• word_to_pdf: word를 pdf로 바꾸어 local에 저장한다. 이 때 word 파일은 그대로 보존되며, pdf 파일은 별개로 저장된다.
• hwp_to_jpg: hwp를 jpg로 바꾸어 local에 저장한다. change_hwp_to_pdf와 change_pdf_to_jpg함수를 호출한다.
• word_to_jpg: word를 jpg로 바꾸어 local에 저장한다. 'change_word_to_pdf'와 change_pdf_to_jpg함수를 호출한다.

3. 필요한 라이브러리

import os
import comtypes
import ntpath
from pdf2jpg import pdf2jpg
import pywin32

4. input 및 output

word_to_pdf, hwp_to_pdf

• input: 형식자를 변환해줄 파일의 절대 경로.
• output: 형식자 변환된 파일의 디렉토리 위치 절대 경로.
  pdf_to_jpg
• input: pdf 파일의 절대 경로.
• output: 변환된 이미지 파일의 디렉토리 위치 절대 경로. 이 때 디렉토리 내에는 한장 이상의 jpg 파일이 위치하게 된다.
  이 때 return될 디렉토리의 이름은 [input][pdf file name].pdfdir 이며 jpg 파일의 이름은 0...*[pdf file name]이다.

pdf_to_jpg

import os
from contextlib import suppress

def pdf_to_jpg(file):
#파라미터로 pdf 파일의 절대경로를 받는다.
    dest = os.path.dirname(file)
    if not os.path.isdir(dest):
        os.mkdir(dest)
    pdf2jpg.convert_pdf2jpg(file, dest, dpi = 300, pages ='ALL')
    #pdf가 여러 장으로 되어있다면 모든 장을 jpg로 바꾼다.

word_to_pdf

import os
import comtypes
import ntpath
from pdf2jpg import pdf2jpg

def word_to_pdf(file):
#파라미터로 pdf 파일의 절대경로를 받는다.
    dest = os.path.dirname(file)

    word = comtypes.client.CreateObject('Word.Application')
    word.Visible = False
    doc = word.Documents.Open(file)

    file_name = ntpath.basename(file)
    output_file_path = os.path.join(dest, file_name + ".pdf")
    doc.SaveAs(output_file_path, FileFormat=17)
    doc.Close()
    return output_file_path

word_to_jpg

def word_to_jpg(file):
    with suppress(KeyError): pdf_to_jpg(word_to_pdf(file))
    #실행하면 에러는 뜨는데 실행되긴 됨. 무슨 에러인지를 모르겠음...

hwp_to_pdf

import pywin32

def hwp_to_pdf(file):
    dest = os.path.dirname(file)

    hwp = pywin32.client.gencache.EnsureDispatch('HWPFrame.HwpObject')
    hwp.RegisterModule('FilePathCheckDLL', 'SecurityModule')
    hwp.Open(os.path.join(dest, file))
    hwp.HAction.GetDefault("FileSaveAs_S", hwp.HParameterSet.HFileOpenSave.HSet)
    pre, ext = os.path.splitext(file)
    hwp.HParameterSet.HFileOpenSave.filename = os.path.join(dest,pre + ".pdf")
    hwp.HParameterSet.HFileOpenSave.Format = "PDF"
    hwp.HAction.Execute("FileSaveAs_s", hwp.HParameterSet.HFileOpenSave.HSet)
    hwp.Quit()

hwp_to_jpg

import win32com.client as win32

def hwp_to_pdf(file):

    hwp = win32.gencache.EnsureDispatch('HWPFrame.HwpObject')
    hwp.RegisterModule('FilePathCheckDLL', 'SecurityModule')

    hwp.Open(file)

    hwp.HAction.GetDefault("FileSaveAs_S", hwp.HParameterSet.HFileOpenSave.HSet)
    hwp.HParameterSet.HFileOpenSave.filename = os.path.join(file, ".pdf")
    hwp.HParameterSet.HFileOpenSave.Format = "PDF"
    hwp.HAction.Execute("FileSaveAs_S", hwp.HParameterSet.HFileOpenSave.HSet)

    hwp.Quit()
    return hwp.HParameterSet.HFileOpenSave.filename

def hwp_to_jpg(file):
    pdf_to_jpg(hwp_to_pdf(file))