SOFTWARE

DocExtr 변경 이력

배포 버전별로 사용 방법과 결과에 영향을 주는 변경을 정리합니다. 내부 시험·빌드 도구와 문서 정정은 싣지 않습니다.

0.1.1갱신 2026-10-11MIT · CLI · Python

0.1.1 2026-10-11

문서 추출 결과를 AI 에이전트·임베딩·검색·텍스트 네 가지 용도별로 받는 버전입니다. 0.1.0과 출력 형식·일부 명령·Python API가 호환되지 않습니다.

이미지 OCR — 문서에 포함된 이미지와 독립 이미지 파일의 글자 인식. --ocr true --ocr-models DIR로 켜며 기본값은 false. CLI와 Python wheel에 OCR 엔진 포함
OCR 대상 선택 — 본문이 빈 쪽·슬라이드 또는 지정한 단위 번호. --ocr-pdf-render true로 선택한 PDF 쪽 전체를 렌더해 인식
노트 이미지의 OCR 결과는 노트에 보존해 본문과 분리하고, 내보낸 이미지 옆에 인식한 글자를 .txt로 저장
agent 결과의 단위별 본문 body_text·body_markdown과 노트 구분. 파싱한 PDF 쪽과 PPTX 슬라이드는 본문이 비어 있어도 구조를 반환하고 PPTX 디자인 보존

--targets로 필요한 결과만 선택(기본값은 네 목적 전부) — agent는 반복 목차·머리글을 정리한 Markdown과 문서 구조·이미지, text는 원문에 충실한 평문과 Markdown, embedding은 추정 토큰 수 기준 청크, search는 문자 수 기준 검색 문서. 임베딩과 검색 청크의 크기·겹침은 각각 설정
extract와 batch의 출력 대상 — 문서별 디렉터리, JSONL 샤드, DB 중 선택. batch --layout document는 입력 폴더 구조대로 문서마다 파일을 만들고, 압축 파일 내용은 압축 파일 이름에 .vfs/를 붙인 디렉터리 아래에 저장
파일 출력은 문서 상태를 담은 manifest와 요청한 목적별 파일로 구성. DB 출력은 문서 테이블과 임베딩·검색 청크 테이블로 나누어 적재
Python 추출 함수와 Engine이 목적별 결과를 반환하고, export_file로 같은 파일 구성을 내보냄

CLI run을 batch로 변경. 이전 이름의 별칭은 제공하지 않음
document.json·chunks.jsonl과 11필드 JSONL·CSV 출력을 manifest와 목적별 산출물로 대체. --chunks·--chunk-*·--format·--profile·--no-markdown 제거 — 청크는 --targets embedding 또는 search와 해당 목적의 크기·겹침 옵션으로 받음
0.1.0의 DB 단일 테이블은 자동 변환하지 않음. 새 테이블 이름으로 다시 적재 필요
Python의 Document dict 반환과 extract_chunks를 목적별 결과 dict로 대체. 임베딩 청크는 targets=["embedding"] 결과의 embedding.chunks에서 받음
OCR 옵션은 true·false만 허용. off·auto·force와 --ocr-max-pages 제거. PDF 쪽 전체 인식은 --ocr true --ocr-pdf-render true
batch의 --cache-bytes·--cache-entries를 --cache-dir·--max-cache-bytes로 대체. --no-cache로 캐시 끔
extract는 추출 실패·부분 추출 시 manifest를 남기고 종료 코드 3 반환

CLI — Linux x86_64·Windows x64, OCR·DB 출력 포함
Python wheel — Linux x86_64(manylinux_2_28), CPython 3.9~3.14. OCR 엔진 포함, DB 출력과 작업 상태 저장은 포함하지 않음
OCR 모델(PaddleOCR-VL 1.6 Q8) — CLI·wheel에 포함하지 않으며 별도 설치
라이선스 — CLI와 Python wheel은 MIT. 제3자 고지와 MPL-2.0 구성 요소 원본 소스(docextr-0.1.1-third-party-sources.zip)를 함께 제공

7z·RAR, HWP 4.x, 암호화 문서는 지원하지 않음
batch의 메모리 예산은 파서·OCR·DB 드라이버를 포함한 전체 메모리 사용량을 강제로 제한하지 않음
macOS 실행 파일은 제공하지 않음. Windows 실행 파일은 실제 Windows에서 검증하지 않았고 Wine에서 텍스트 추출만 확인(OCR·DB 출력 미확인)

첫 공개 버전입니다.

CLI docextr run — 파일·디렉터리와 그 안의 압축 파일을 일괄 처리해 JSONL·CSV 파일이나 DB 테이블에 기록. 파일별 오류는 해당 레코드에 남기고 나머지를 계속 처리
CLI docextr extract — 문서 하나를 새 디렉터리에 document.json·document.md·assets/로 내보냄. --chunks를 주면 RAG 청크 chunks.jsonl도 기록
지원 형식 — HWP/HWPX, 텍스트 PDF, DOC/DOCX, PPTX, XLS/XLSX/XLSB/ODS, TXT·Markdown·HTML과 소스·설정 파일
압축 파일 — ZIP(암호화 ZIP은 --archive-password-file), TAR, TAR.GZ, TAR.BZ2를 재귀 처리. 중첩 깊이·해제 크기 한도 적용
스캔 PDF OCR — --ocr auto·force와 별도 모델 디렉터리를 지정하면 실행. 기본값은 off
출력 레코드 11개 필드(source_path·plain_text·markdown·blake3·file_type·file_size·error·title·author·created·word_count)를 JSONL·CSV·DB 출력이 공유
DB 출력 --output-db — SQLite, PostgreSQL, MySQL, MariaDB에 append·upsert·replace 모드로 적재
run 부가 옵션 — 구조화 출력 --profile structured, 결과 캐시 --cache-bytes, 작업 상태 저장과 재개 --state·--resume, 실패 허용 수 --max-failures
Python 패키지 docextr(CPython 3.9~3.14) — extract_file·extract_bytes·extract_files·export_file·extract_chunks와 캐시를 쓰는 Engine 클래스

CLI — Linux x86_64·Windows x64, OCR·DB 출력 포함. Windows 실행 파일은 Wine에서만 실행 검증
Python wheel — Linux x86_64(manylinux_2_28), CPython 3.9~3.14. OCR·DB 출력은 포함하지 않음
라이선스 — CLI와 Python wheel은 MIT. 제3자 고지와 MPL-2.0 구성 요소 원본 소스(docextr-0.1.0-third-party-sources.zip)를 함께 제공