Aislo/resources/knowledge/original/_pipeline/fix_spacing.py

# -*- coding: utf-8 -*-
"""공백 소실 별표·첨부 md의 띄어쓰기 복원.

PDF 표(정상)는 그대로 두고, 공백이 붙어버린 프로즈 줄만 HWP 원본의
띄어쓰기 버전으로 교체한다. 표 구조를 훼손하지 않는다.

- 별표: 같은 폴더 현행 XML의 별표서식파일링크(HWP)로 원본을 받아 hwp5 추출
- 첨부: 같은 폴더의 .hwp/.hwpx 원본을 사용
"""

import re, sys, time, urllib.request
import xml.etree.ElementTree as ET
from pathlib import Path

ROOT = Path(__file__).resolve().parent.parent
sys.path.insert(0, str(Path(__file__).resolve().parent))
import hwp5_text

BASEURL = "https://www.law.go.kr"
UA = {"User-Agent": "Mozilla/5.0"}


def nsp(s):
    # 매칭 키: 공백·특수문자(사설글리프·불릿·문장부호) 제거 → 한글/영숫자만.
    # HWP와 PDF 추출의 글자 차이(ㅇ·ㆍ·U+F09E 등)를 흡수한다.
    return re.sub(r"[^가-힣0-9A-Za-z]", "", s)


def spaced_index(hwp_path):
    """HWP 전체를 하나의 띄어쓰기 문자열로 잇고, 무공백↔원문 위치 맵을 만든다.

    반환: (spaced, pos) — spaced=공백 포함 전체, pos[i]=무공백 i번째 글자의 spaced 인덱스.
    md 프로즈 줄이 HWP 문단을 병합/분할해도 무공백 시퀀스로 찾아 구간 복원 가능.
    """
    try:
        paras = hwp5_text.extract(str(hwp_path))
    except Exception:
        return "", []
    chunks = [p.strip() for p in paras if p.strip()]
    spaced = "\n".join(chunks)
    pos = [i for i, ch in enumerate(spaced) if not ch.isspace()]
    return spaced, pos


def respace(body, spaced, spaced_nsp, pos):
    """body(공백소실)의 무공백 시퀀스를 전역 인덱스에서 찾아 띄어쓰기째 반환."""
    target = nsp(body)
    if len(target) < 8:
        return None
    j = spaced_nsp.find(target)
    if j < 0:
        return None
    s, e = pos[j], pos[j + len(target) - 1] + 1
    seg = spaced[s:e]
    # 원문 줄바꿈(문단경계)은 공백으로
    return re.sub(r"\s+", " ", seg).strip()


def download(link, dest):
    url = link if link.startswith("http") else BASEURL + link
    for _ in range(3):
        try:
            with urllib.request.urlopen(urllib.request.Request(url, headers=UA), timeout=60) as r:
                blob = r.read()
            if blob and len(blob) > 500:
                dest.write_bytes(blob)
                return True
        except Exception:
            time.sleep(1.5)
    return False


def byl_link_map(folder):
    """현행 XML → {별표 stem 접두: HWP링크}. md 파일명과 매칭용."""
    xmls = sorted(folder.parent.glob("현행_*.xml"))
    if not xmls:
        xmls = sorted(folder.parent.glob("*.xml"))
    if not xmls:
        return {}
    root = ET.parse(xmls[-1]).getroot()
    byl = root.find("별표")
    out = {}
    if byl is None:
        return out
    for b in byl.findall("별표단위"):
        num = (b.findtext("별표번호") or "0").lstrip("0") or "0"
        g = (b.findtext("별표가지번호") or "").lstrip("0")
        kind = (b.findtext("별표구분") or "별표").strip()
        # 파일명 접두(별표/서식/별지)와 XML 구분을 맞춘다
        pre = "별표" if kind == "별표" else ("별지" if kind == "별지" else "서식")
        key = f"{pre}{num}{('의' + g) if g else ''}"
        link = b.findtext("별표서식파일링크")
        if link:
            out[key] = link
    return out


def restore_line(line, spaced, spaced_nsp, pos):
    """프로즈 줄이면 띄어쓰기 버전으로 교체. 표 행(|)은 건드리지 않는다."""
    st = line.strip()
    if (
        not st
        or st.startswith("|")
        or st.startswith("#")
        or st.startswith(">")
        or st.startswith("![")
    ):
        return line
    m = re.match(r"^(\s*(?:[-*]\s+|[가-힣]\.\s*|\(\d+\)\s*|\d+\.\s*)?)(.*)$", line)
    prefix, body = m.group(1), m.group(2)
    if len(nsp(body)) < 8:
        return line
    if len(re.findall(r"[가-힣]{12,}", body)) == 0:
        return line
    sp = respace(body, spaced, spaced_nsp, pos)
    if sp:
        return prefix + sp
    return line


def fix_file(md, hwp_dir_download=True):
    text = md.read_text(encoding="utf-8")
    folder = md.parent  # .../별표 또는 .../첨부
    stem = md.stem

    # 소스 HWP 확보
    hwp = None
    local = list(folder.glob(stem + ".hwp")) + list(folder.glob(stem + ".hwpx"))
    if local:
        hwp = local[0]
    elif folder.name == "별표":
        key = stem.split("_")[0]
        links = byl_link_map(folder)
        link = links.get(key)
        if link:
            tmp = folder / (stem + ".hwp")
            if tmp.exists() or download(link, tmp):
                hwp = tmp
    if not hwp:
        return None
    if hwp.suffix == ".hwpx":
        return None  # hwpx는 별도(hwpx_text)로 이미 처리
    spaced, pos = spaced_index(hwp)
    if not spaced:
        return None
    spaced_nsp = nsp(spaced)
    lines = text.split("\n")
    new = [restore_line(l, spaced, spaced_nsp, pos) for l in lines]
    if new != lines:
        md.write_text("\n".join(new), encoding="utf-8")
        return sum(1 for a, b in zip(lines, new) if a != b)
    return 0