pdf -> html 변환

가장 무난하다.

기본적으로 pdf는 htm와 비슷한 형태의 구조를 가지고 있다.

크게 header, body, xref table, trailer의 구조로 되어있다.

pdf는 환경에 상관없이 표현을 하기 위한 목적을 가지고 있는 파일이다. 이런 이유 때문에 무난히 진행이 된 것 같다.

pdf2htmlex와 pdftohtmljs라는 모듈을 이용을 했다.

var pdftohtml = require('pdftohtmljs');
var converter = new pdftohtml('test.pdf', "sample.html");

converter.convert('ipad').then(function() {
    console.log("Success");
}).catch(function(err) {
    console.error("Conversion error: " + err);
});

이미지나, text같은 것들이 거의 100%로 변환이 된다.

docx -> html 변환

docx파일을 html파일로 변환을 할 때는 style 적용과 한글이 깨지는 문제가 있다.

텍스트들을 전부 잘 읽기는 하는데 스타일 정보를 제대로 가져오지 못하기 때문에 좀 애매하다

  • Headings.
  • Lists.
  • Customisable mapping from your own docx styles to HTML. For instance, you could convert WarningHeading to h1.warning by providing an appropriate style mapping.
  • Tables. The formatting of the table itself, such as borders, is currently ignored, but the formatting of the text is treated the same as in the rest of the document.
  • Footnotes and endnotes.
  • Images.
  • Bold, italics, underlines, strikethrough, superscript and subscript.
  • Links.
  • Line breaks.
  • Text boxes. The contents of the text box are treated as a separate paragraph that appears after the paragraph containing the text box.
  • Comments.

위 내용에 한에서만 스타일 변경이 가능은 한 것 같은데 생각보다 잘 되지 않는다…

mammoth라는 모듈을 이용했다.

var mammoth = require("mammoth");
var options = {
    styleMap: [
        // "u => em",
        // "p[style-name='Section Title'] => h1:fresh",
        // "p[style-name='Subsection Title'] => h2:fresh"
    ],
    includeDefaultStyleMap: false
};

mammoth.convertToHtml({path: './reader/test.docx'}, {}).then(result=>{
    let text = result.value;
    let message = result.messages;
    console.log(text);
    console.log(message);
})

hwp -> html 변환

우선 hwp를 완전히 html로 변환하지 못했다.

하지만 Microsoft에서 hwp의 ml을 공개를 해서 hwp를 hwpml로 변환을 하였다.

<?xml version="1.0" encoding="UTF-8" standalone="no" ?>
<HWPML Version="2.8" SubVersion="8.0.0.0" Style="embed"><HEAD SecCnt="1"><DOCSUMMARY><TITLE>hello world</TITLE><AUTHOR>누군가</AUTHOR><DATE>2017년 5월 1일 월요일 오전 9:38:44</DATE></DOCSUMMARY><DOCSETTING><BEGINNUMBER Page="1" Footnote="1" Endnote="1" Picture="1" Table="1" Equation="1"/><CARETPOS List="0" Para="5" Pos="0"/></DOCSETTING><MAPPINGTABLE><FACENAMELIST><FONTFACE Lang="Hangul" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="Latin" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="Hanja" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="Japanese" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="Other" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="Symbol" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE><FONTFACE Lang="User" Count="2"><FONT Id="0" Type="ttf" Name="함초롬돋움"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT><FONT Id="1" Type="ttf" Name="함초롬바탕"><TYPEINFO FamilyType="2" SerifStyle="3" Weight="5" Proportion="4" Contrast="0" StrokeVariation="1" ArmStyle="1" Letterform="1" Midline="1" XHeight="1"/></FONT></FONTFACE></FACENAMELIST><BORDERFILLLIST Count="1"><BORDERFILL Id="1" ThreeD="false" Shadow="false" Slash="0" BackSlash="0" CrookedSlash="0" CounterSlash="0" CounterBackSlash="0" BreakCellSeparateLine="0" CenterLine="0"><LEFTBORDER Type="None" Width="0.1mm" Color="0"/><RIGHTBORDER Type="None" Width="0.1mm" Color="0"/><TOPBORDER Type="None" Width="0.1mm" Color="0"/><BOTTOMBORDER Type="None" Width="0.1mm" Color="0"/><DIAGONAL Type="Solid" Width="0.1mm" Color="0"/><FILLBRUSH><WINDOWBRUSH FaceColor="4294967295" HatchColor="0" HatchStyle="-1" Alpha="0"/></FILLBRUSH></BORDERFILL></BORDERFILLLIST><CHARSHAPELIST Count="8"><CHARSHAPE Id="0" Height="1000" TextColor="0" ShadeColor="4294967295" UseFontSpace="false" UseKerning="false" SymMark="0" BorderFillId="1"><FONTID Hangul="1" Latin="1" Hanja="1" Japanese="1" Other="1" Symbol="1" User="1"/><RATIO Hangul="100" Latin="100" Hanja="100" Japanese="100" Other="100" Symbol="100" User="100"/><CHARSPACING Hangul="0" Latin="0" Hanja="0" Japanese="0" Other="0" Symbol="0" User="0"/><RELSIZE Hangul="100" Latin="100" Hanja="100" Japanese="100" Other="100" Symbol="100" User="100"/><CHAROFFSET Hangul="0" Latin="0" Hanja="0" Japanese="0" Other="0" Symbol="0" User="0"/></CHARSHAPE><CHARSHAPE Id="1" Height="1000" TextColor="0" ShadeColor="4294967295" UseFontSpace="false" UseKerning="false" SymMark="0" BorderFillId="1"><FONTID Hangul="0" Latin="0" Hanja="0" Japanese="0" Other="0" Symbol="0" User="0"/><RATIO Hangul="100" Latin="100" Hanja="100" Japa>daf</CHAR></TEXT></P></SECTION></BODY></HWPML>

해당 마크업 파일에는 스타일 정보, 내용 등이 들어있기 때문에 해당 파일을 파싱을 하면 가능하다.

일단 pyhwp라는 라이브러리가 있긴한데 이게 python특정 버전에서만 작동을 하는 것 같다. python3.x로 포팅을 시켜볼려고 했는데 잘 안되는……

다음으로 java를 이용해서 파싱을 해볼까 한다. 다행이 node bridge로 java연동이 되는 것 같다.

node-hwp라는 모듈을 사용하였다.

var hwp = require("./node-hwp");
var fs = require('fs');
hwp.open('helo.hwp', function(err, doc){
	console.log(doc.toHML());
	// fs.writeFile('test1.html', doc.toHML());
});

위 코드를 실행시키면 node-hwp가 없어서 에러가 뜰 것이다. 해당 모듈이 npm 받아지지 않아서 직접 git clone을 했다.

$ git clone https://github.com/123jimin/node-hwp.git