eomsangdon
6d9863d658
- 미결 No.18 신설: 사급 잡자재 단가 원천 결정(유료지) — 사용자 결정 대기 - 건협 노임: pdf2md + 4챕터 분할. 개별직종 노임단가 표는 pdf2md 실패로 PDF 스트림 정밀 파싱 재구성 — 132직종 전수·4개 공표일 병기 - 중기중앙회 노임: pdf2md(표 정상) + 4챕터 분할 (129직종 표 포함) - 건설공사 표준품셈(982p): pdf2md + 부문 5폴더/45장 전체 분할 (공통8·토목9·건축11·기계설비13·유지관리4 — 목차 대조 전수 일치) - 재사용 도구 _pipeline/split_cost_docs.py (cak|kbiz|pumsem 모드) - 각 폴더 _meta.md에 변환 방법·한계(어절 공백·장 경계 ±1p) 기록
_pipeline — 법령·기준 수집·변환 스크립트
original/ 하위 법령·행정규칙·표준시방서·KS 코퍼스를 수집·변환·색인하는 재현용 스크립트.
경로는 이 폴더 위치 기준 상대(ROOT_DIR = 상위 = original/)로 동작한다. 어느 PC에서 clone 해도 그대로 실행된다.
실행 전 준비
- Python 3.12 +
pymupdf,olefile - 인증키(커밋 금지):
docs/raw/law/.secrets.local.md에 KCSC 키 (스크립트가 자동 파싱) — 또는 환경변수KCSC_KEY- law.go.kr OC키는 기본
umsangdon(환경변수LAW_OC로 교체 가능)
스크립트 → 워크플로(README W1~W6) 대응
| 스크립트 | 역할 | 워크플로 |
|---|---|---|
check_law.py |
law.go.kr 현행본 시행일·개정일 조회 | W1 갱신 판별 |
collect_law.py |
법령·행정규칙 원문(현행+교본시점) + 별표 PDF 수집 | W2 |
get_attach.py |
고시 첨부파일·안내문 별표의 HWP 원본 수집 | W3 |
get_kcsc.py |
국가건설기준센터 KCS 본문(OpenApi) 수집 | W2 |
get_ks.py |
e나라 표준인증 KS 메타데이터·이력 수집(원문은 DRM) | W2 |
hwp5_text.py |
구형 HWP5(OLE) 본문 텍스트 추출 | W5 |
hwpx_text.py |
HWPX(zip+XML) → md(공백·표 보존). 공백 소실 첨부 재추출 | W5 |
pdf2md.py |
별표·첨부 PDF → Markdown 변환(표 복원·이미지 pic/ 추출·손실 방지) | W4 |
fix_spacing.py |
HWP→PDF 공백 소실 별표/첨부의 프로즈 띄어쓰기 복원(표 보존) | W5 |
qc_lint.py |
md 전수 품질 점검(테이블·사진·내용누락·띄어쓰기·줄바꿈) | W5 |
verify_pdf2md.py |
변환 손실·줄누락 검증 | W5 |
build_srcmap.py |
law API 결과 → 시행일/개정일 맵(srcmap.json) | W6 |
gen_md.py |
0. 참조 법령·기준 목록.md 재생성(9열·색인) |
W6 |
data/ (생성 데이터 = gen_md 입력)
이번 세션에서 만든 매핑. 수동 보정이 섞여 있어 함께 보관한다.
| 파일 | 내용 |
|---|---|
srcmap.json |
항목별 시행일·개정일·출처 |
collected_map.json |
law.go.kr 수집 결과(판본·별표·개정 횟수) |
ks_map.json |
KS 45건 메타·이력 |
kcsc_map.json |
표준시방서 ↔ KCS 코드 수 |
items_all.json |
collect_law.py 수집 대상 목록 |
ks_codes.json |
KS 조회 코드 목록 |
lawapi.json |
law.go.kr 조회 원자료 |
표준 실행 순서
cd docs/raw/law/original/_pipeline
python collect_law.py data/items_all.json # 법령·행정규칙 + 별표
python get_attach.py # 첨부·HWP
python get_kcsc.py # KCS 본문
python get_ks.py # KS 메타
python pdf2md.py # PDF → md (전건)
python verify_pdf2md.py # 검증
python gen_md.py # 색인 재생성
수집은 새로 받은 현행본을 현행_새시행일.* 로 추가한다(기존 판본 삭제 금지). 상세 규칙은 docs/raw/law/README.md W1~W6 참조.