[질문] 한글파일의 BodyText/Section0의 내용을 zlib 압축해제하여 읽기 위해선 어떻게 해야 할까요?

[jaepil-choi]

개발자님 안녕하세요, 버그 이슈는 아니고 hwp5txt의 동작방식에 질문이 생겨 여쭙습니다. 소스코드를 다운받아 열심히 살펴보았으나 도저히 이 이상은 알아낼 수가 없네요 ㅠㅠ

저는 스크립트를 짜면서 hwp 파일의 다른 내용은 필요없고 오직 BodyText/Section0의 내용만을 추출하고 싶었습니다. pyhwp는 prompt에서의 명령만을 지원하는 것 같아 한글과컴퓨터의 한글파일 형식 공개 문서와 인터넷 검색, 그리고 pyhwp 소스코드를 참고하여 방법을 찾아내고 싶었는데요,

대략 핵심은 FileHeader에서 압축여부 등의 정보를 확인하고 BodyText/Section0의 내용을 추출하여 zlib으로 압축을 해제하고 UTF-16le 로 디코딩 하면 된다는 말이었던 것 같습니다.

하지만 제가 직접 시도했을 땐

import zlib, olefile
ole = olefile.OleFileIO('./hwp_text_dir/2020-01-17_-_금융통화위원회 의사록(2020년도 제1차).hwp')
body_text = zlib.decompress(ole.openstream('BodyText/Section0').getvalue(), -15)
body_text.decode('utf-16')

---

UnicodeDecodeErrorTraceback (most recent call last)
in
----> 1 body_text.decode('utf-16')

UnicodeDecodeError: 'utf-16-le' codec can't decode bytes in position 200-201: illegal encoding

이렇게 zlib으로 어떻게 decompress를 해도 (제대로 한 것인지도 모르겠습니다.) utf-16le로 디코딩이 되지 않더라고요...

이를 위해 bitstring에 대해서도 처음 공부하고 hwp5txt의 소스코드를 최대한 참고해보려 했으나 너무 고급문법이라 아무리 봐도 동작 원리가 잘 이해가 되지 않았습니다.

hwp5txt는 어떻게 hwp를 zlib 압축해제하고 제대로 된 한글 문자열로 디코딩하는건가요? 간단히라도 설명해주시면 정말 감사하겠습니다.