전처리 파이프라인

개요

문서가 업로드되면 Type Detection Lambda가 파일 유형을 감지하고, 필요한 전처리 작업을 SQS 큐를 통해 비동기로 분배합니다. 전처리가 완료되면 Step Functions 워크플로우가 결과를 병합하여 AI 분석 단계로 전달합니다.

S3 Upload
  ↓ [EventBridge]
Type Detection Lambda
  ├─ OCR Queue        → PaddleOCR (Lambda/SageMaker)
  ├─ BDA Queue        → Bedrock Data Automation
  ├─ Transcribe Queue → AWS Transcribe
  ├─ WebCrawler Queue → Bedrock Agent Core
  └─ Workflow Queue   → Step Functions
                        ├─ Segment Prep (세그먼트 생성)
                        ├─ Check Preprocess Status (폴링)
                        ├─ Format Parser (텍스트 추출)
                        ├─ Segment Builder (결과 병합)
                        └─ → AI Analysis Pipeline

AI 분석 파이프라인(Segment Analyzer, Document Summarizer)에 대한 상세 내용은 AI Analysis Pipeline을 참조하세요.

파일 유형별 전처리 라우팅

파일 유형	확장자	OCR	BDA	Transcribe	Format Parser	WebCrawler
PDF	`.pdf`	O	O	-	A	-
이미지	`.png` `.jpg` `.jpeg` `.gif` `.tiff` `.tif` `.webp`	O	O	-	-	-
영상	`.mp4` `.mov` `.avi` `.mkv` `.webm`	-	O	O	-	-
음성	`.mp3` `.wav` `.flac` `.m4a`	-	O	O	-	-
Word 문서	`.docx` `.doc`	-	-	-	A	-
프레젠테이션	`.pptx` `.ppt`	-	-	-	A	-
텍스트	`.txt` `.md`	-	-	-	A	-
웹	`.webreq`	-	-	-	-	A
CAD	`.dxf`	-	-	-	A	-

A (Automatic): 기본 활성화 (자동 실행)
O (Optional): 문서 업로드 시 사용자가 선택적으로 활성화
- : 해당 없음

OCR(use_ocr), BDA(use_bda), Transcribe(use_transcribe)는 모두 문서 업로드 시 사용자가 선택적으로 활성화할 수 있습니다.

전처리 컴포넌트

PaddleOCR

PDF와 이미지에서 텍스트를 추출합니다. Lambda(CPU) 또는 SageMaker(GPU) 듀얼 백엔드를 지원합니다.

항목	값
대상	PDF, 이미지 (DXF 제외)
Lambda 모델	`pp-ocrv5` (CPU, Rust)
SageMaker 모델	`paddleocr-vl` (GPU)
출력	`paddleocr/result.json` (페이지별 텍스트 + 블록 좌표)

프로젝트 언어 설정에 따라 OCR 언어가 자동 매핑됩니다 (한국어 → korean, 일본어 → japan 등).

상세 내용은 OCR on SageMaker를 참조하세요.

Bedrock Data Automation (BDA)

AWS Bedrock Data Automation을 사용하여 문서 구조(테이블, 레이아웃, 이미지)를 마크다운 형태로 분석합니다. 영상의 경우 챕터 분할과 요약을 수행합니다.

항목	값
대상	PDF, 이미지, 영상, 음성 (오피스 문서/DXF/웹 제외)
활성화	`use_bda=true` (문서 업로드 시 선택)
출력	`bda-output/` (마크다운, 이미지, 메타데이터)

AWS Transcribe

음성 및 영상 파일에서 음성을 텍스트로 변환합니다. 타임코드가 포함된 세그먼트 단위 트랜스크립트를 생성합니다.

항목	값
대상	영상 (MP4, MOV, AVI, MKV, WebM), 음성 (MP3, WAV, FLAC, M4A)
활성화	`use_transcribe=true` (문서 업로드 시 선택)
출력	`transcribe/{workflow_id}-{timestamp}.json`

Format Parser

파일 유형에 따라 다양한 라이브러리를 사용하여 텍스트를 추출합니다. Step Functions 워크플로우 내에서 동기적으로 실행됩니다.

파일 유형	라이브러리	동작
PDF	`pypdf`	페이지별 텍스트 레이어 추출 (그래픽 스트리핑)
DOCX/DOC	LibreOffice → `pypdf` + `pypdfium2`	PDF 변환 후 페이지별 텍스트 + PNG 이미지 생성
PPTX/PPT	`python-pptx` + LibreOffice → `pypdfium2`	슬라이드별 텍스트 + PNG 이미지 생성
TXT/MD	직접 읽기	청크 분할 (15,000자, 500자 오버랩)
DXF	`ezdxf` + `matplotlib`	레이아웃별 텍스트 추출 + PNG 렌더링

출력: format-parser/result.json

WebCrawler

Bedrock Agent Core 기반의 웹 크롤링 에이전트가 .webreq 파일에 지정된 URL을 크롤링합니다.

항목	값
대상	`.webreq` 파일
입력	JSON (`{"url": "...", "instruction": "..."}`)
출력	`webcrawler/pages/page_XXXX.json` (다중 페이지) 또는 `webcrawler/content.md` (레거시)

파일 유형별 상세 흐름

PDF

PDF 업로드
  ↓
Type Detection
  ├─ OCR Queue → PaddleOCR → paddleocr/result.json (페이지별 텍스트, 옵션)
  ├─ BDA Queue → BDA → bda-output/ (마크다운, 옵션)
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 페이지별 PNG 렌더링 (pypdfium2, 150 DPI)
      ├─ Check Preprocess Status: OCR/BDA 완료 폴링
      ├─ Format Parser: pypdf로 텍스트 레이어 추출
      └─ Segment Builder: OCR + BDA + Format Parser 병합

항목	값
세그먼트 유형	`PAGE` (페이지당 1개)
세그먼트 수	PDF 페이지 수
이미지	페이지별 PNG (`preprocessed/page_XXXX.png`)
자동 전처리	Format Parser
옵션 전처리	OCR, BDA

이미지

이미지 업로드 (PNG, JPG, TIFF 등)
  ↓
Type Detection
  ├─ OCR Queue → PaddleOCR → paddleocr/result.json (단일 텍스트, 옵션)
  ├─ BDA Queue → BDA → bda-output/ (마크다운, 옵션)
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 원본 이미지 사용 (복사 없음)
      ├─ Check Preprocess Status: OCR/BDA 완료 폴링
      └─ Segment Builder: OCR + BDA 병합

항목	값
세그먼트 유형	`PAGE` (1개)
세그먼트 수	1
이미지	원본 파일 URI 직접 사용
옵션 전처리	OCR, BDA

영상 (MP4/MOV/AVI/MKV/WebM)

영상 업로드
  ↓
Type Detection
  ├─ BDA Queue → BDA → 챕터 분할 + 요약 (옵션)
  ├─ Transcribe Queue → AWS Transcribe → 트랜스크립트 (옵션)
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: VIDEO 세그먼트 1개 생성
      ├─ Check Preprocess Status: BDA/Transcribe 완료 폴링
      └─ Segment Builder: BDA 챕터 + Transcribe 병합

항목	값
세그먼트 유형	`VIDEO` (BDA 미사용 시) 또는 `CHAPTER` (BDA 챕터 분할 시)
세그먼트 수	1 (BDA 미사용) 또는 챕터 수 (BDA 사용)
이미지	없음
옵션 전처리	BDA, Transcribe

음성 (MP3/WAV/FLAC/M4A)

음성 업로드
  ↓
Type Detection
  ├─ BDA Queue → BDA (옵션)
  ├─ Transcribe Queue → AWS Transcribe → 트랜스크립트 (옵션)
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: AUDIO 세그먼트 1개 생성
      ├─ Check Preprocess Status: BDA/Transcribe 완료 폴링
      └─ Segment Builder: Transcribe 결과 병합

항목	값
세그먼트 유형	`AUDIO`
세그먼트 수	1
이미지	없음
옵션 전처리	BDA, Transcribe

Word 문서 (DOCX/DOC)

DOCX/DOC 업로드
  ↓
Type Detection
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 플레이스홀더 1개 생성
      ├─ Format Parser: LibreOffice로 PDF 변환 → 페이지별 텍스트 + PNG
      └─ Segment Builder: Format Parser 결과로 세그먼트 덮어쓰기

항목	값
세그먼트 유형	`PAGE` (페이지당 1개)
세그먼트 수	LibreOffice 변환 후 PDF 페이지 수
이미지	페이지별 PNG (`format-parser/slides/slide_XXXX.png` → `preprocessed/page_XXXX.png`)
자동 전처리	Format Parser
비동기 전처리	없음 (모든 전처리 스킵)

프레젠테이션 (PPTX/PPT)

PPTX/PPT 업로드
  ↓
Type Detection
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 플레이스홀더 1개 생성
      ├─ Format Parser: python-pptx 텍스트 + LibreOffice PDF 변환 → PNG
      └─ Segment Builder: Format Parser 결과로 세그먼트 덮어쓰기

항목	값
세그먼트 유형	`PAGE` (슬라이드당 1개)
세그먼트 수	슬라이드 수
이미지	슬라이드별 PNG (`format-parser/slides/slide_XXXX.png` → `preprocessed/page_XXXX.png`)
자동 전처리	Format Parser
텍스트 추출	슬라이드 텍스트 + 테이블 + 발표자 노트

텍스트 (TXT/MD)

TXT/MD 업로드
  ↓
Type Detection
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 플레이스홀더 1개 생성
      ├─ Format Parser: 텍스트 읽기 → 청크 분할
      └─ Segment Builder: Format Parser 결과로 세그먼트 덮어쓰기

항목	값
세그먼트 유형	`TEXT` (청크당 1개)
세그먼트 수	텍스트 길이에 따라 자동 결정
이미지	없음
자동 전처리	Format Parser
청크 설정	15,000자 단위, 500자 오버랩, 문장 경계 우선

웹 (.webreq)

.webreq 파일 업로드 ({"url": "...", "instruction": "..."})
  ↓
Type Detection
  ├─ WebCrawler Queue → Bedrock Agent Core → 웹 크롤링
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: WEB 플레이스홀더 1개 생성
      ├─ Check Preprocess Status: WebCrawler 완료 폴링
      └─ Segment Builder: WebCrawler 결과로 세그먼트 덮어쓰기

항목	값
세그먼트 유형	`WEB` (페이지당 1개)
세그먼트 수	크롤링된 페이지 수
이미지	없음
자동 전처리	WebCrawler
출력 필드	`webcrawler_content`, `source_url`, `page_title`

CAD (DXF)

DXF 파일 업로드
  ↓
Type Detection
  └─ Workflow Queue → Step Functions
      ├─ Segment Prep: 플레이스홀더 1개 생성
      ├─ Format Parser: ezdxf 텍스트 추출 + matplotlib PNG 렌더링
      └─ Segment Builder: Format Parser 결과로 세그먼트 덮어쓰기

항목	값
세그먼트 유형	`PAGE` (레이아웃당 1개)
세그먼트 수	DXF 레이아웃 수 (Model Space + Paper Space)
이미지	레이아웃별 PNG (`format-parser/slides/layout_XXXX.png`)
자동 전처리	Format Parser
추출 항목	TEXT, MTEXT, ATTRIB, DIMENSION 엔티티 + 레이어/블록 메타데이터

Segment Builder

Segment Builder는 모든 전처리 결과를 단일 세그먼트 JSON으로 병합합니다.

병합 우선순위

1. 기본 구조: Segment Prep (preprocessor/metadata.json)
2. OCR 결과 병합: paddleocr/result.json → paddleocr, paddleocr_blocks
3. BDA 결과 병합: bda-output/ → bda_indexer, bda_image_uri
4. Format Parser 병합: format-parser/result.json → format_parser, image_uri
5. Transcribe 병합: transcribe/*.json → transcribe, transcribe_segments
6. WebCrawler 병합: webcrawler/pages/*.json → webcrawler_content, source_url

세그먼트 수 결정 로직

세그먼트 수는 파일 유형에 따라 다른 소스에서 결정됩니다:

파일 유형	세그먼트 수 결정 소스
PDF	Segment Prep (PDF 페이지 수)
이미지	Segment Prep (항상 1)
DOCX/DOC, PPTX/PPT, DXF	Format Parser (변환 후 페이지/슬라이드/레이아웃 수)
TXT/MD	Format Parser (청크 수)
영상	Segment Prep (1) 또는 BDA (챕터 수)
음성	Segment Prep (항상 1)
웹	WebCrawler (크롤링 페이지 수)

Segment Prep에서 플레이스홀더 1개를 생성한 후, Segment Builder에서 실제 결과에 따라 세그먼트 수를 조정하고 total_segments를 업데이트합니다.

S3 출력 구조

s3://bucket/projects/{project_id}/documents/{document_id}/
  ├─ {original_file}                          # 원본 업로드 파일
  ├─ preprocessed/
  │   ├─ metadata.json                        # Segment Prep 메타데이터
  │   ├─ page_0000.png                        # 페이지 이미지 (PDF, DOCX, PPTX, DXF)
  │   ├─ page_0001.png
  │   └─ ...
  ├─ paddleocr/
  │   └─ result.json                          # OCR 결과 (페이지별 텍스트 + 블록)
  ├─ bda-output/
  │   └─ {job_id}/
  │       ├─ job_metadata.json                # BDA 작업 메타데이터
  │       ├─ standard_output/
  │       │   ├─ 0/result.json                # BDA 분석 결과 (마크다운)
  │       │   └─ 0/assets/                    # BDA 추출 이미지
  │       └─ ...
  ├─ format-parser/
  │   ├─ result.json                          # 텍스트 추출 결과
  │   └─ slides/                              # PPTX/DOCX/DXF 이미지
  │       ├─ slide_0000.png
  │       └─ ...
  ├─ transcribe/
  │   └─ {workflow_id}-{timestamp}.json       # Transcribe 결과
  ├─ webcrawler/
  │   ├─ metadata.json                        # 크롤링 메타데이터
  │   └─ pages/
  │       ├─ page_0000.json                   # 크롤링 페이지 콘텐츠
  │       └─ ...
  └─ analysis/
      ├─ segment_0000.json                    # 병합된 세그먼트 데이터
      ├─ segment_0001.json
      └─ ...

비동기 전처리 상태 관리

전처리 상태는 DynamoDB 워크플로우 레코드의 preprocess 필드에서 관리됩니다.

{
  "preprocess": {
    "ocr": {"required": true, "status": "completed"},
    "bda": {"required": false, "status": "skipped"},
    "transcribe": {"required": false, "status": "skipped"},
    "webcrawler": {"required": false, "status": "skipped"}
  }
}

Step Functions 워크플로우의 CheckPreprocessStatus Lambda가 주기적으로 폴링하여 모든 필수 전처리가 완료되었는지 확인합니다. 모든 필수 전처리가 completed 또는 skipped 상태가 되면 다음 단계(Format Parser → Segment Builder)로 진행합니다.