"""
PDF 파일 처리 모듈
- read_pdf_to_text: PDF를 텍스트로 변환
- search_keyword_in_pdf: PDF에서 키워드 검색
- get_pdf_info: PDF 메타 정보 추출
"""
import pdfplumber
from pathlib import Path
from typing import Optional, Dict, List
# 보안: regulations/ 폴더 외부 접근 차단을 위한 기본 경로
BASE_REGULATIONS_DIR = Path(__file__).parent.parent.parent / "regulations"
def _validate_path(pdf_path: str) -> Path:
"""
PDF 경로를 검증하고 안전한 절대 경로를 반환합니다.
regulations/ 폴더 외부 접근을 차단합니다.
Args:
pdf_path: PDF 경로
Returns:
Path: 검증된 절대 경로
Raises:
ValueError: 경로가 regulations/ 폴더 외부인 경우
FileNotFoundError: 파일이 존재하지 않는 경우
"""
# 절대 경로인 경우
if Path(pdf_path).is_absolute():
full_path = Path(pdf_path)
else:
# 상대 경로인 경우 regulations/ 기준으로 해석
if pdf_path.startswith("regulations/"):
full_path = Path(__file__).parent.parent.parent / pdf_path
else:
full_path = BASE_REGULATIONS_DIR / pdf_path
# 경로 정규화
full_path = full_path.resolve()
# 보안 검증: regulations/ 폴더 내부인지 확인
try:
full_path.relative_to(BASE_REGULATIONS_DIR.resolve())
except ValueError:
raise ValueError(f"보안 오류: regulations/ 폴더 외부 접근이 차단되었습니다: {pdf_path}")
if not full_path.exists():
raise FileNotFoundError(f"PDF 파일을 찾을 수 없습니다: {pdf_path}")
return full_path
def read_pdf_to_text(
pdf_path: str,
start_page: int = 1,
end_page: Optional[int] = None
) -> str:
"""
PDF 파일을 텍스트로 변환합니다.
각 페이지에 [페이지 X/총페이지] 마커를 추가합니다.
Args:
pdf_path: PDF 경로 (예: "regulations/ISMS-P.pdf" 또는 "ISMS-P.pdf")
start_page: 시작 페이지 (1부터 시작, 기본값: 1)
end_page: 끝 페이지 (None이면 마지막까지)
Returns:
str: 페이지 마커가 포함된 전체 텍스트
Raises:
FileNotFoundError: PDF 파일이 없는 경우
ValueError: 경로가 regulations/ 폴더 외부인 경우
Exception: PDF 파싱 오류
"""
full_path = _validate_path(pdf_path)
text_content = []
try:
with pdfplumber.open(full_path) as pdf:
total_pages = len(pdf.pages)
# 페이지 범위 조정 (1-indexed → 0-indexed)
start_idx = max(0, start_page - 1)
end_idx = min(total_pages, end_page if end_page else total_pages)
# 범위 검증
if start_idx >= total_pages:
raise ValueError(f"시작 페이지({start_page})가 총 페이지 수({total_pages})를 초과합니다.")
for page_num in range(start_idx, end_idx):
page = pdf.pages[page_num]
text = page.extract_text()
if text:
marker = f"[페이지 {page_num + 1}/{total_pages}]"
text_content.append(f"{marker}\n{text}")
else:
marker = f"[페이지 {page_num + 1}/{total_pages}]"
text_content.append(f"{marker}\n(텍스트 없음)")
return "\n\n".join(text_content)
except pdfplumber.pdfminer.pdfparser.PDFSyntaxError as e:
raise Exception(f"PDF 파싱 오류 (손상된 파일): {str(e)}")
except Exception as e:
if "FileNotFoundError" in str(type(e)) or "ValueError" in str(type(e)):
raise
raise Exception(f"PDF 읽기 오류: {str(e)}")
def search_keyword_in_pdf(pdf_path: str, keyword: str) -> Dict:
"""
PDF에서 키워드를 검색합니다.
대소문자를 구분하지 않고 검색하며,
페이지당 최대 3개의 매칭 줄을 반환합니다.
Args:
pdf_path: PDF 경로
keyword: 검색할 키워드
Returns:
dict: {
"keyword": str,
"total_matches": int,
"results": [{"page": int, "matches": List[str]}]
}
"""
try:
full_path = _validate_path(pdf_path)
except (FileNotFoundError, ValueError) as e:
return {"error": str(e)}
results: List[Dict] = []
keyword_lower = keyword.lower()
total_match_count = 0
try:
with pdfplumber.open(full_path) as pdf:
for page_num, page in enumerate(pdf.pages, 1):
text = page.extract_text()
if text and keyword_lower in text.lower():
lines = text.split('\n')
matches = [
line.strip() for line in lines
if keyword_lower in line.lower() and line.strip()
]
if matches:
# 페이지당 최대 3개까지
page_matches = matches[:3]
total_match_count += len(matches)
results.append({
"page": page_num,
"matches": page_matches,
"total_in_page": len(matches)
})
return {
"keyword": keyword,
"total_matches": total_match_count,
"pages_with_matches": len(results),
"results": results
}
except Exception as e:
return {"error": f"검색 오류: {str(e)}"}
def get_pdf_info(pdf_path: str) -> Dict:
"""
PDF 파일의 메타 정보를 추출합니다.
Args:
pdf_path: PDF 경로
Returns:
dict: {
"pages": int,
"size_mb": float,
"path": str
}
"""
try:
full_path = _validate_path(pdf_path)
except (FileNotFoundError, ValueError) as e:
return {"error": str(e)}
try:
with pdfplumber.open(full_path) as pdf:
pages = len(pdf.pages)
size_bytes = full_path.stat().st_size
size_mb = round(size_bytes / 1024 / 1024, 2)
return {
"pages": pages,
"size_mb": size_mb,
"path": str(full_path)
}
except Exception as e:
return {"error": str(e)}
def list_regulation_files() -> List[Dict]:
"""
regulations/ 폴더의 모든 파일 목록을 반환합니다.
Returns:
List[Dict]: 파일 정보 리스트
[{
"path": str,
"name": str,
"type": "pdf" | "txt",
"size_mb": float,
"pages": int # PDF만
}]
"""
files = []
regulations_dir = BASE_REGULATIONS_DIR
if not regulations_dir.exists():
return []
for file_path in regulations_dir.rglob("*"):
if file_path.is_file() and not file_path.name.startswith('.'):
info = {
"path": str(file_path.relative_to(regulations_dir.parent)),
"name": file_path.name,
"type": file_path.suffix[1:] if file_path.suffix else "unknown",
"size_mb": round(file_path.stat().st_size / 1024 / 1024, 2)
}
# PDF인 경우 페이지 수 추가
if file_path.suffix.lower() == ".pdf":
try:
with pdfplumber.open(file_path) as pdf:
info["pages"] = len(pdf.pages)
except Exception:
info["pages"] = -1 # 오류 시 -1
files.append(info)
return files
