안녕하세요. 클스 입니다.
html로 작성된 문서를 RAG를 하기위해서 html을 그대로 사용해도 되지만, 불필요한 테그가 있어 비효율 적입니다. 그렇다고 테그를 제거하면 표 등 레이아웃이 깨지게 됩니다.
###### html to pdf #########
'''
외부망에서 해야 함
brew install pango
uv pip install weasyprint
'''
from weasyprint import HTML
html_file = '~/doc/test.html'
# 1. 문자열 경로를 Path 객체로 만듭니다.
path_obj = Path(html_file)
# 2. .with_suffix() 메서드로 확장자를 변경합니다.
pdf_file = path_obj.with_suffix('.pdf')
HTML(filename=html_file).write_pdf(pdf_file)
'''
외부망에서 해야함.
# 1. Playwright 라이브러리 설치
uv pip install playwright
# 2. Playwright가 제어할 브라우저(Chromium 등) 설치 (라이브러리 엄청 크네)
python -m playwright install
'''
import asyncio
from pathlib import Path
from playwright.async_api import async_playwright
async def convert_local_html_to_pdf_async(html_file_path: str, output_pdf_path: str):
"""
(비동기) 로컬 HTML 파일을 Playwright를 사용하여 PDF 파일로 변환합니다.
IPython/Jupyter 환경에 최적화되었습니다.
:param html_file_path: 변환할 원본 HTML 파일의 전체 경로
:param output_pdf_path: 저장할 PDF 파일의 전체 경로
"""
# pathlib.Path를 사용하여 파일 경로를 브라우저가 인식하는 file:// URI 형식으로 변환합니다.
# 이렇게 하면 공백이나 한글 등 특수문자가 포함된 경로도 안전하게 처리됩니다.
html_file_uri = Path(html_file_path).as_uri()
print("Playwright를 시작합니다...")
# 'async with'를 사용하여 비동기 컨텍스트 매니저를 실행합니다.
async with async_playwright() as p:
# 모든 I/O 작업(네트워크, 파일 시스템 등) 앞에 'await' 키워드를 붙여줍니다.
browser = await p.chromium.launch()
page = await browser.new_page()
try:
print(f"HTML 파일 로딩 중: {html_file_uri}")
# 페이지로 이동하고 로딩이 끝날 때까지 기다립니다.
await page.goto(html_file_uri)
print(f"PDF 파일 생성 중: {output_pdf_path}")
# PDF 생성이 완료될 때까지 기다립니다.
await page.pdf(
path=output_pdf_path,
print_background=True, # 배경 그래픽(색상, 이미지 등) 인쇄
format='A4' # 용지 형식 지정
)
print(f"✅ 성공: '{output_pdf_path}' 파일이 생성되었습니다.")
except Exception as e:
print(f"❌ 오류 발생: {e}")
finally:
print("브라우저를 닫습니다.")
# 브라우저 종료가 완료될 때까지 기다립니다.
await browser.close()
async def main():
"""
비동기 작업을 실행하기 위한 메인 함수
"""
# 1. 변환할 원본 HTML 파일 경로를 설정하세요.
'~/doc/test.html'
# 2. 저장할 PDF 파일 이름을 자동으로 설정합니다 (확장자만 .pdf로 변경).
output_file = Path(html_file).with_suffix('.pdf')
# 3. 위에서 정의한 비동기 변환 함수를 호출합니다.
await convert_local_html_to_pdf_async(html_file, str(output_file))
# IPython/Jupyter 환경에서는 'await'를 직접 사용하여 비동기 함수를 실행할 수 있습니다.
await main()
둘다 레이아웃의 깨짐 없이 잘 변환해준다. 내가 선택하려면 자동화를 위해서 1번을 선택하는것이 맞다.
또 하나는 결과 파일의 크기 이다.
이상 클스 였습니다.
