Office·PDF·Excel 정돈 플레이북
목표는 파일을 없애는 것이 아니라 원본의 의미·구조·권한·버전을 잃지 않는 파생물을 만드는 것이다. Apache Tika처럼 다양한 파일 형식에서 텍스트와 메타데이터를 추출하는 도구를 사용할 수 있지만, 자동 추출 결과는 원본과 별개의 검증 대상이다.
이 페이지의 위치
이 플레이북은 Data Ready를 만든다. 텍스트·표·메타데이터를 정확히 추출한 뒤, 현재 효력과 업무 의미는 Knowledge Ready에서 별도로 승인한다.
공통 원칙: 원본, 파생물, 서비스 표현을 나눈다
| 계층 | 예 | 변경 원칙 |
|---|---|---|
| 원본 보존본 | .docx, .pptx, .xlsx, 서명 PDF | 해시와 ACL을 붙여 변경하지 않음 |
| 정규화 파생물 | Markdown/HTML, 표 CSV, 이미지, OCR JSON | 도구·버전·변환시각·원본 ID 기록 |
| AI 서비스 표현 | 청크, 요약, 키워드, 임베딩 | 언제든 재생성 가능, 원본 삭제를 상속 |
원본을 Markdown으로 덮어쓰지 않는다. 암호, DRM, 매크로, 임베디드 개체, 숨은 시트와 주석처럼 변환 도구가 놓칠 요소를 먼저 조사한다.
형식별 추출 계약
Word와 한글 문서
- 제목 스타일, 문단, 목록, 표, 각주, 머리말·꼬리말을 분리한다.
- 변경 추적과 주석을 본문 확정 내용과 섞지 않는다.
- 이미지에는 페이지·문단 위치와 사람이 확인할 설명을 연결한다.
- 표가 페이지를 넘어가도 헤더와 병합 셀의 의미를 보존한다.
PPT
- 슬라이드 제목, 본문, 도형 텍스트, 표, 발표자 노트를 구분한다.
- 화면 좌표만으로 읽는 순서를 단정하지 말고 슬라이드별 검수한다.
- 차트는 제목, 축, 단위, 범례, 핵심 수치와 결론을 구조화한다.
- 장식 이미지는 제외하고 업무 의미가 있는 도식은 설명 텍스트를 만든다.
PDF와 스캔
- 텍스트 PDF인지 이미지 스캔인지 페이지별로 판별한다.
- OCR 언어, 해상도, 기울기 보정, 신뢰도와 페이지 좌표를 기록한다.
- 도장·서명·수기·표·다단 편집은 별도 검토 대상으로 표시한다.
- 전자서명과 원본 무결성 검증 결과는 텍스트 추출과 분리해 보존한다.
Excel
Excel은 문서이면서 작은 애플리케이션이다. 보이는 셀 값만 CSV로 저장하면 수식, 단위, 숨은 시트, 병합 셀, 이름 정의, 오류 코드, 피벗, 매크로의 의미를 잃는다.
- 통합문서 수준의 목적·소유자·기준일·버전을 기록한다.
- 시트별 역할을 원천/계산/코드표/출력/임시로 분류한다.
- 숨은 행·열·시트, 보호, 외부 링크, 매크로를 검사한다.
- 헤더, 데이터 시작행, 기본키 후보, 단위, 결측 표현을 찾는다.
- 수식과 계산 결과를 함께 보존하고 오류·순환참조를 보고한다.
- 표마다 데이터 사전과 품질 규칙을 만들고 CSV/Parquet 등으로 파생한다.
Apache Tika Office 메타데이터는 작성자·생성/저장일뿐 아니라 숨은 행·열·시트, 보호된 워크시트와 같은 속성도 다룬다. 도구가 지원하는 속성과 조직이 실제로 검사하는 속성을 혼동하지 않는다.
변환 후 검증
자동 검사
- 파일 수, 페이지/슬라이드/시트 수와 추출 성공 수
- 빈 본문, 비정상 문자, OCR 저신뢰 구간, 잘린 표
- 제목·목록 계층, 표 행·열 수, 이미지·첨부 누락
- 날짜·숫자·단위·코드 분포와 이상치
- 원본 ID·해시·ACL·변환 도구·버전 필드 존재
사람 표본 검사
파일 형식·부서·연도·보안등급별로 표본을 뽑고 반드시 어려운 사례를 포함한다.
- 표와 수식의 핵심 수치가 같은가?
- 슬라이드의 결론과 도식 관계가 살아 있는가?
- OCR이 사람 이름, 설비 ID, 단위와 소수점을 바꾸지 않았는가?
- 주석·초안·폐기 내용이 승인 본문으로 섞이지 않았는가?
- 원문으로 돌아갈 페이지/슬라이드/셀 위치가 있는가?
표준 메타데이터 예시
yaml
source_id: edm:OPS-MNT-014:2.1
source_path: /approved/maintenance/OPS-MNT-014_v2.1.pdf
content_hash: sha256:<원본에서 계산한 값>
document_type: procedure
title: 설비 정기점검 절차
owner: 설비기술팀
status: approved
effective_from: 2026-07-01
classification: internal
acl_groups: [maintenance-engineers]
extraction:
tool: approved-parser
version: pinned-version
extracted_at: 2026-07-22T10:00:00+09:00
quality_flags: [table-review-required]실제 해시는 자동으로 계산하며 예시 문자열을 복사하지 않는다.
하지 말아야 할 자동화
- 오래된 파일을 수정일만 보고 삭제하기
- AI 요약을 원본 또는 승인 문서로 승격하기
- 모든 Excel의 첫 행을 헤더로 가정하기
- DRM·암호 해제를 위해 승인되지 않은 우회 도구 사용하기
- 추출 실패 파일을 조용히 건너뛰기
- 문서 ACL 없이 중앙 벡터DB에 적재하기
변환 실패율을 품질 지표로 공개하고, 실패 원본은 격리 대기열에서 소유자에게 돌려준다. 다음은 수집·정제·색인 파이프라인에서 이 계약을 반복 가능하게 만드는 단계다.