メインコンテンツまでスキップ

HWP/HWPX サポート (Phase 2)

概要​

PROOF は、a1 バックエンドで pyhwp ベースの専用コンバータを使用して、Hangul Word Processor (.hwp) とその XML ベースの形式 (.hwpx) をサポートしています。これは Docling 前処理パイプラインの Phase 2 の一部です。

  • マークダウン抽出: pyhwp2md がテキスト、段落、見出し、リスト、表をマークダウンに変換します。
  • 画像抽出: pyhwp が BinData OLE ストレージを読み込み、埋め込み画像を抽出します。
  • ページ数推定: hwp_converter.get_page_count() が文書の要約情報を読み込み、ページ数を推定します。

パイプラインの流れ​

  1. アップロード: jobs.py が media_loader.HWP_TYPES を通じて .hwp / .hwpx ファイルを検出します。
  2. ページ数: アップロードされたファイルに対して hwp_converter.get_page_count() を呼び出します。
  3. ワーカールーティング: tasks.py が単一ファイルまたはアーカイブ内のファイルに対して run_hwp() を呼び出します。
  4. 処理: pipeline_docling.py の run_hwp() が:
    • pyhwp2md でマークダウンを抽出します。
    • pyhwp で BinData 画像を抽出します。
    • 同じ Docling 設定を使用して、必要に応じて LLM レイアウト精製を実行します。
  5. 結果: 抽出されたマークダウンは、他の Docling 対応文書と同様に CSV/MD/XLSX 出力にマージされます。

ファイルルーティング​

  • media_loader.HWP_TYPES = {"hwp"}
  • 単一ファイル: tasks.py の job.file_type in media_loader.HWP_TYPES 分岐。
  • 複数ファイル: アーカイブ展開ループ内の ftype in media_loader.HWP_TYPES 分岐。
  • 抽出されたファイルは、PDF/Office 文書と同じパスロジックで Supabase Storage にアップロードされます。

精製（Refinement）​

  • use_docling_refinement / docling_refinement フラグは、HWP/HWPX 結果にも同様に適用されます。
  • 料金は settings_store の cost_per_docling_refinement_page_krw / cost_per_docling_refinement_page_usd で設定します。

API とフロントエンド​

  • POST /api/jobs/upload は docling_refinement フォームフィールドを受け入れます。
  • UploadPage.jsx は Docling 互換文書（HWP/HWPX を含む）に対して「Docling レイアウト精製を使用」チェックボックスを表示します。
  • サポートされるファイル拡張子には .hwp と .hwpx が含まれます。

主なファイル​

  • app/backend/core/hwp_converter.py — HWP/HWPX テキスト、画像、ページ抽出。
  • app/backend/core/pipeline_docling.py — Docling と同じ精製パスを再利用する run_hwp() 関数。
  • app/backend/workers/tasks.py — HWP/HWPX ファイルを run_hwp() にルーティング。
  • app/backend/api/jobs.py — HWP/HWPX アップロードのページ数計算とコスト計算。
  • app/backend/core/media_loader.py — HWP_TYPES とファイルタイプ検出。