파이썬으로 한글(HWP) 자동화 — 텍스트·표 추출, PDF 변환, 보안 팝업 피하기 (한글 2024 실측)

import win32com.client as win32

hwp = win32.gencache.EnsureDispatch("HWPFrame.HwpObject")
print(hwp.Version)                          # 시험 PC 에서는 13, 0, 0, 3380
print(hwp.XHwpWindows.Item(0).Visible)      # False — 숨겨진 채로 돈다
hwp.Quit()

D:\WebSite\GUI_Tools\hwp_automation_test\sample.hwp
한글을 이용하여 위 파일에 접근하려는 시도(파일의 손상 또는 유출의 위험 등)가 있습니다.
정상적인 작업 과정에만 접근을 허용하십시오.

[접근 허용(Y)]  [모두 허용(N)]  [허용 안 함(A)]  [모두 안 함(C)]

import shutil, sys, tempfile
from html.parser import HTMLParser
from pathlib import Path
import win32com.client as win32

class TableParser(HTMLParser):
    """GetTextFile("HTML") 결과에서 표를 [[행], [행], ...] 으로 모은다."""
    def __init__(self):
        super().__init__()
        self.tables, self.row, self.cell = [], None, None
    def handle_starttag(self, tag, attrs):
        if tag == "table":
            self.tables.append([])
        elif tag == "tr":
            self.row = []
        elif tag in ("td", "th"):
            self.cell = []
    def handle_endtag(self, tag):
        if tag in ("td", "th") and self.cell is not None:
            self.row.append("".join(self.cell).strip())
            self.cell = None
        elif tag == "tr" and self.row is not None:
            self.tables[-1].append(self.row)
            self.row = None
    def handle_data(self, data):
        if self.cell is not None:
            self.cell.append(data)

src = Path(sys.argv[1])
work = Path(tempfile.gettempdir()) / "hwp_work"
work.mkdir(exist_ok=True)
tmp = work / src.name
shutil.copy2(src, tmp)                    # 한글이 임시 폴더 안의 복사본만 열게 한다

hwp = win32.gencache.EnsureDispatch("HWPFrame.HwpObject")
hwp.Open(str(tmp), "", "forceopen:true")  # 형식 "" = 자동 인식 (.hwp/.hwpx 모두)
text = hwp.GetTextFile("UNICODE", "")
html = hwp.GetTextFile("HTML", "")
hwp.Clear(1)
hwp.Quit()
tmp.unlink()

print(text)
parser = TableParser()
parser.feed(html)
for i, table in enumerate(parser.tables, 1):
    print(f"표 {i}:", table)

import shutil, sys, tempfile, time
from pathlib import Path
import win32com.client as win32

src_dir = Path(sys.argv[1])                       # .hwp 가 있는 폴더
work = Path(tempfile.gettempdir()) / "hwp_work"   # 한글은 임시 폴더 안에서만 다루게 한다
work.mkdir(exist_ok=True)

hwp = win32.gencache.EnsureDispatch("HWPFrame.HwpObject")
t0 = time.perf_counter()
done = 0
for src in sorted(src_dir.glob("*.hwp")):
    tmp_in = work / src.name
    tmp_out = tmp_in.with_suffix(".pdf")
    shutil.copy2(src, tmp_in)
    if hwp.Open(str(tmp_in), "HWP", "forceopen:true;versionwarning:false"):
        if hwp.SaveAs(str(tmp_out), "PDF", ""):
            shutil.move(tmp_out, src.with_suffix(".pdf"))
            done += 1
    hwp.Clear(1)                                  # 저장하지 않고 닫기
    tmp_in.unlink(missing_ok=True)
hwp.Quit()
print(f"{done}개 변환, {time.perf_counter() - t0:.1f}초")

import sys, zipfile
import xml.etree.ElementTree as ET

HP = "{http://www.hancom.co.kr/hwpml/2011/paragraph}"

def cell_text(tc):
    return "".join(t.text or "" for t in tc.iter(HP + "t"))

with zipfile.ZipFile(sys.argv[1]) as z:
    for name in sorted(n for n in z.namelist() if n.startswith("Contents/section")):
        root = ET.fromstring(z.read(name))
        for p in root.findall(HP + "p"):          # 본문 문단 (표 안 문단은 빼고)
            line = "".join(t.text or "" for run in p.findall(HP + "run") for t in run.findall(HP + "t"))
            if line:
                print(line)
            for tbl in p.iter(HP + "tbl"):         # 이 문단에 붙은 표는 행·열 그대로
                print("표:", [[cell_text(tc) for tc in tr.findall(HP + "tc")] for tr in tbl.findall(HP + "tr")])

import struct, sys, zlib
import olefile

# 문단 글자 안에서 16바이트(8글자 분량)를 차지하는 제어 문자 — 표·그림 같은 개체 자리
WIDE = {1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23}

def records(data):
    i = 0
    while i < len(data):
        head = struct.unpack_from("<I", data, i)[0]
        i += 4
        tag, level, size = head & 0x3FF, (head >> 10) & 0x3FF, head >> 20
        if size == 0xFFF:                 # 길이가 크면 다음 4바이트에 들어 있다
            size = struct.unpack_from("<I", data, i)[0]
            i += 4
        yield tag, level, data[i:i + size]
        i += size

def para_text(raw):
    out, i = [], 0
    while i < len(raw):
        c = struct.unpack_from("<H", raw, i)[0]
        if c in WIDE:
            i += 16
            continue
        if c == 9:
            out.append("\t")
        elif c >= 32:
            out.append(chr(c))
        i += 2
    return "".join(out)

ole = olefile.OleFileIO(sys.argv[1])
compressed = ole.openstream("FileHeader").read()[36] & 1
for entry in sorted(e for e in ole.listdir() if e[0] == "BodyText"):
    data = ole.openstream(entry).read()
    if compressed:
        data = zlib.decompress(data, -15)
    for tag, level, body in records(data):
        if tag == 67:                     # HWPTAG_PARA_TEXT — 문단 글자
            print(para_text(body))