Skip to content

Docx

많은 기업에서는 여전히 .doc 형식의 문서를 사용하거나 보관하고 있다.

하지만 현대적인 텍스트 처리나 인공지능 기반 문서 분석 시스템에서는 .docx 포맷 또는 .pdf, .txt 형식이 선호된다. 따라서 .doc 문서를 자동으로 .docx로 변환한 뒤, 그 내용을 파싱 가능한 구조로 불러오는 작업이 필요하다.

본 글에서는 LibreOffice CLI를 사용해 .doc → .docx 변환을 수행하고, LangChain의 Docx2txtLoader를 이용해 문서 내용을 파싱하는 전 과정을 소개한다.

전체 처리 흐름

  1. 대상 .doc 파일 경로 지정

  2. .docx 파일이 존재하지 않으면 LibreOffice로 변환 수행

  3. LangChain 로더로 .docx 문서를 불러와 내용 추출

  4. 첫 번째 문서 내용을 출력

전제 조건

  • 시스템에 libreoffice CLI 설치되어 있어야 한다 

    sudo apt install libreoffice -y

  • Python 환경에서 LangChain Community 패키지가 설치되어 있어야 한다
    (예: pip install langchain-community)

코드 설명

1. 변환 대상 경로 설정

pathlib.Path를 사용해 .doc 경로와 그에 대응하는 .docx 경로를 만든다.

from pathlib import Path

doc_path = Path("data/3. 휴가규정_(주)플래티어_250312.doc")
docx_path = doc_path.with_suffix(".docx")

2. .doc → .docx 변환 (LibreOffice 사용)

LibreOffice를 백그라운드 모드(--headless)로 실행해 .docx로 변환한다. 이미 .docx가 존재하면 이 과정을 생략한다.

import subprocess

if not docx_path.exists():
    print(f"[INFO] .docx 파일이 없으므로 변환 중: {doc_path.name}")
    result = subprocess.run([
        "libreoffice", "--headless", "--convert-to", "docx", str(doc_path),
        "--outdir", str(doc_path.parent)
    ], capture_output=True)

    if result.returncode != 0:
        print("[ERROR] 변환 실패:\n", result.stderr.decode())
        exit(1)
    else:
        print(f"[SUCCESS] 변환 완료: {docx_path.name}")

3. LangChain을 통한 문서 파싱

변환된 .docx 파일을 Docx2txtLoader로 로딩한다. 문서는 하나 이상의 Document 객체로 반환된다.

from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader(str(docx_path))
docs = loader.load()

4. 문서 내용 출력

파싱된 문서 중 첫 번째 문서 내용을 확인할 수 있다.

print("\n문서 미리보기:\n")
print(docs[0].page_content)

전체 코드

from pathlib import Path
import subprocess
from langchain_community.document_loaders import Docx2txtLoader

# 1. .doc 경로 지정
doc_path = Path("data/3. 휴가규정_(주)플래티어_250312.doc")
docx_path = doc_path.with_suffix(".docx")

# 2. .doc → .docx 변환
if not docx_path.exists():
    print(f"[INFO] .docx 파일이 없으므로 변환 중: {doc_path.name}")
    result = subprocess.run([
        "libreoffice", "--headless", "--convert-to", "docx", str(doc_path),
        "--outdir", str(doc_path.parent)
    ], capture_output=True)

    if result.returncode != 0:
        print("[ERROR] 변환 실패:\n", result.stderr.decode())
        exit(1)
    else:
        print(f"[SUCCESS] 변환 완료: {docx_path.name}")

# 3. LangChain 로더로 문서 불러오기
loader = Docx2txtLoader(str(docx_path))
docs = loader.load()

# 4. 결과 출력
print("\n문서 미리보기:\n")
print(docs[0].page_content)

결론

이와 같은 파이프라인을 활용하면 .doc 형식으로 된 사내 문서를 자동으로 변환하고, 그 내용을 RAG 기반 검색 시스템, 텍스트 분석 파이프라인 등에서 활용할 수 있다. 특히 문서가 수십~수백 개 존재할 경우에도 반복적으로 처리할 수 있어 문서 자동화의 기초로 유용하다.