PDF 파일 읽기 및 텍스트/테이블 추출 유틸리티

"""
PDF 파일 읽기 및 텍스트/테이블 추출 유틸리티

@source kcsi-smpa
@extracted 2026-02-15
@version 1.1.0

의존성:
    - pdfplumber (필수, pip install pdfplumber)

사용법:
    from utils.pdf_reader import extract_text_from_pdf, extract_tables_from_pdf

    # 전체 텍스트 추출
    text = extract_text_from_pdf("report.pdf")

    # 페이지별 텍스트 추출
    pages = extract_text_by_page("report.pdf")

    # 테이블 추출
    tables = extract_tables_from_pdf("report.pdf")

    # 구조 분석
    info = analyze_pdf_structure("report.pdf")
"""

import logging
from pathlib import Path
from typing import Any

import pdfplumber

logger = logging.getLogger(__name__)


def extract_text_from_pdf(file_path: str | Path) -> str:
    """PDF 파일에서 전체 텍스트 추출

    Args:
        file_path: PDF 파일 경로

    Returns:
        추출된 텍스트
    """
    text_content = []

    with pdfplumber.open(file_path) as pdf:
        for page in pdf.pages:
            text = page.extract_text()
            if text:
                text_content.append(text)

    return "\n\n".join(text_content)


def extract_text_by_page(file_path: str | Path) -> list[dict[str, Any]]:
    """PDF 파일에서 페이지별 텍스트 추출

    Args:
        file_path: PDF 파일 경로

    Returns:
        [{page: 페이지번호, text: 텍스트}] 리스트
    """
    pages_content = []

    with pdfplumber.open(file_path) as pdf:
        for i, page in enumerate(pdf.pages, 1):
            text = page.extract_text()
            pages_content.append({
                "page": i,
                "text": text or "",
                "width": page.width,
                "height": page.height,
            })

    return pages_content


def extract_tables_from_pdf(file_path: str | Path) -> list[dict[str, Any]]:
    """PDF 파일에서 테이블 추출

    Args:
        file_path: PDF 파일 경로

    Returns:
        [{page: 페이지번호, tables: [테이블데이터]}] 리스트
    """
    tables_by_page = []

    with pdfplumber.open(file_path) as pdf:
        for i, page in enumerate(pdf.pages, 1):
            tables = page.extract_tables()
            if tables:
                tables_by_page.append({
                    "page": i,
                    "table_count": len(tables),
                    "tables": tables,
                })

    return tables_by_page


def analyze_pdf_structure(file_path: str | Path) -> dict[str, Any]:
    """PDF 파일 구조 분석

    Args:
        file_path: PDF 파일 경로

    Returns:
        파일 구조 정보 딕셔너리
    """
    with pdfplumber.open(file_path) as pdf:
        structure = {
            "file_path": str(file_path),
            "page_count": len(pdf.pages),
            "metadata": pdf.metadata,
            "pages": [],
        }

        for i, page in enumerate(pdf.pages, 1):
            tables = page.extract_tables()
            page_info = {
                "page": i,
                "width": page.width,
                "height": page.height,
                "has_text": bool(page.extract_text()),
                "table_count": len(tables) if tables else 0,
            }
            structure["pages"].append(page_info)

    return structure


def compare_pdf_pages(
    pdf1_path: str | Path,
    pdf2_path: str | Path,
) -> dict[str, Any]:
    """두 PDF 파일의 페이지별 텍스트 비교

    Args:
        pdf1_path: 첫 번째 PDF 파일 경로
        pdf2_path: 두 번째 PDF 파일 경로

    Returns:
        비교 결과 딕셔너리
    """
    pages1 = extract_text_by_page(pdf1_path)
    pages2 = extract_text_by_page(pdf2_path)

    comparison = {
        "pdf1_pages": len(pages1),
        "pdf2_pages": len(pages2),
        "differences": [],
    }

    max_pages = max(len(pages1), len(pages2))

    for i in range(max_pages):
        text1 = pages1[i]["text"] if i < len(pages1) else ""
        text2 = pages2[i]["text"] if i < len(pages2) else ""

        if text1 != text2:
            comparison["differences"].append({
                "page": i + 1,
                "pdf1_length": len(text1),
                "pdf2_length": len(text2),
                "match": text1 == text2,
            })

    return comparison