한/글 문서 파일 형식: Python을 통한 HWP 포맷 파싱하기 (1)

간단 소개

Python을 사용하여 HWP 파일 포맷을 파싱하는 방법을 설명하고, DocInfo 영역의 주요 레코드 구조와 데이터 추출 과정을 상세히 안내합니다.

AI Summary

HWP 파일 구조 및 파싱 개요
- HWP 파일은 Compound File Structure 이진 형식으로, 저장소와 스트림으로 구성됨
- olefile과 zlib 라이브러리를 사용하여 HWP 파일 파싱 및 압축 해제
- HWP 파일은 FileHeader, DocInfo, BodyText 등으로 구성되며, DocInfo 영역 파싱을 시작으로 설명
DocInfo 영역 파싱 상세 과정
- DocInfo 스트림을 읽어 압축 해제 후, 레코드 구조에 따라 데이터 파싱
- 레코드 헤더(Tag ID, Level, Size)를 분석하여 데이터 종류와 길이 식별
- HWPTAG_DOCUMENT_PROPERTIES, HWPTAG_ID_MAPPINGS, HWPTAG_BIN_DATA, HWPTAG_FACE_NAME 등의 레코드 파싱 예제 제공
가변 데이터 처리 및 글꼴 정보
- HWP 포맷은 가변 길이 문자열 처리를 위해 문자열 길이 정보를 먼저 기록
- 글꼴 정보는 폰트 이름뿐 아니라 대체 글꼴 정보, 글꼴 유형 정보 등을 포함하여 호환성 유지
- 다음 시간에는 본문 정보 파싱을 다룰 예정