kordoc解析HWP系列实战HWP3·HWP5·HWPX·HWPML四大格式引擎区别与选择指南【免费下载链接】kordoc모두 파싱해버리겠다 — HWP·HWPX·PDF·Office 문서를 Markdown으로. 양식 자동 채우기와 신구대조를 갖춘 CLI·MCP 서버 | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff项目地址: https://gitcode.com/gh_mirrors/ko/kordockordoc 是一款开源的韩文文档解析工具能把 HWP、HWPX、HWP3、HWPML 等韩国主流文档格式一键转换为 Markdown 和结构化数据。它内部实现了四套独立的格式解析引擎分别对应韩文文档三十多年的演化历史。本文带你搞清楚这四大引擎的区别并根据你的文档情况快速选出正确的处理方式。为什么会有四套解析引擎韩文文档并非一种格式而是四代格式格式年代容器结构现状HWP 3.x1996~2002单一二进制流存量公文、旧档案HWP 5.x2002 至今OLE2 (CFB) 二进制容器韩国政府最广泛使用的格式HWPX2020 至今ZIP XML官方推荐的新一代开放格式HWPML 2.x早期 XML 试验纯 XML少见但仍在流通如果你的文档来源混杂比如既有 90 年代的扫描件母本、又有最新生成的 HWPX 公文单引擎方案必然顾此失彼。kordoc 的做法是四个引擎各管一段输出统一。格式识别靠魔法字节自动分流你不需要告诉 kordoc 文档是什么格式。src/detect.ts 中的detectFormat()会读取文件头部的魔法字节自动判定HWPXPK\x03\x04ZIP 特征与 DOCX/XLSX 同族HWP 5.x\xD0\xCF\x11\xE0OLE2 复合文档头HWP 3.x30 字节文本签名HWP Document File V3.00HWPML?xml且包含HWPML标签HWP 5.x 与 XLS 撞车时同为 OLE2打开容器检查内部流名有Workbook就是 Excel有FileHeader/BodyText就是 HWP识别完成后parse()自动分派到对应引擎用户侧只需一条命令npx kordoc 문서.hwpx -o 문서.md四大引擎逐个拆解HWP 3.x 引擎破译 90 年代的二进制考古这是最古老、也最棘手的一个引擎实现位于 src/hwp3/。它的挑战在于单一二进制流没有现代容器的目录结构文档由 30 字节签名 128 字节 DocInfo 1008 字节 DocSummary 可压缩的 Body 顺序拼接而成见 src/hwp3/records.tsJOHAB 字符集韩文用初声·中声·终声三个 6 位代码组合表记kordoc 内置 src/hwp3/johab.ts 把组合字还原为标准 Unicode 音节另附5,893 个汉字/符号的查找回退表格按几何复原HWP3 不存行列结构只存每个单元格的 x/y/w/h 坐标src/hwp3/table.ts 通过坐标推断行/列边界与合并关系加密文档1996 年版的打开密码由 src/hwp3/crypto.ts 负责解密HWP 5.x 引擎韩国公文主战场的重火力HWP 5.x 是韩国政府日常办公的主力格式引擎核心在 src/hwp5/parser.ts。它的技术要点记录流record stream正文是二进制记录序列每条记录带 4 字节头tagId 10 位 level 10 位 size 12 位压缩记录用 zlib 解压——见 src/hwp5/record.ts21 种控制字符表格、绘图、公式、脚注、页眉等都以控制字符嵌入段落流由 src/hwp5/body.ts 分派处理损坏文件容错CFB 容器损坏时src/hwp5/cfb-lenient.ts 走宽松解析路径尽力抢救分发用文档解密政府常见的分发用 HWP采用 MSVC LCG AES-128 ECB 双重保护src/hwp5/aes.ts 为纯 JS 实现离线可用HWPX 引擎现代开放格式功能最全HWPX 本质是打包成 ZIP 的 XML 文档是 kordoc 功能覆盖最深的引擎src/hwpx/parser.ts 为入口实现拆分为 8 个模块节式 XML 遍历src/hwpx/section-walker.ts 以段落/表格/图形相互递归簇的方式遍历节 XML支持嵌套表格与合并单元格样式驱动标题识别src/hwpx/styles.ts 从 head.xml 解析样式与编号规则自动识别标题层级损坏 ZIP 自愈中央目录损坏时直接扫描 Local File Header 重建结构src/hwpx/zip-sections.ts附加能力打开密码、表单自动填写HWPX 是唯一支持原始格式保留填表的格式、Markdown 反向生成 HWPX、布局保真渲染HWPML 引擎轻量 XML 变体HWPML 是 XML 化的 HWP 试验格式由 src/hwpml/parser.ts 负责。特点通过ParaShape的HeadingType属性识别标题大纲级 1~6 直接映射 Markdown 标题支持合并单元格表格内置 50MB 上限与表格 5000 行 × 500 列的 DoS 防御统一的秘密IR 中间表示四套引擎殊途同归的关键在于IRIntermediate Representation模式详见 docs/architecture.mdBuffer → detectFormat()魔法字节→ 格式专属引擎 → IRBlock[] → blocksToMarkdown() → Markdown无论底层是二进制流还是 XML四个引擎都先把文档归一化为同一套IRBlock[]段落、标题、表格、图片……再由统一的 Markdown 生成器输出。这带来两个实际好处输出质量一致HWP3 里一个 1997 年的表格和 HWPX 里的嵌套表格产出的 Markdown 管道表格式完全一致下游能力共享RAG 分块、新旧文档对比diff、表单识别、个人信息脱敏等功能全部建立在 IR 之上四种格式通吃如何选择一张速查表你的场景推荐动作依据拿到.hwpx文件直接解析功能最全HWPX 引擎支持密码·填表·反生成拿到.hwp2002 年后直接解析HWP 5.x 引擎 损坏容错拿到 90 年代旧档案.hwp直接解析无需预处理引擎按签名自动判定 HWP 3.xJOHAB 已还原文件以?xml开头无需干预自动路由 HWPML 引擎格式拿不准 / 批量混合目录npx kordoc 目录 -d 输出批量跑魔法字节分流失败有明确报错码想接 AI 助手Claude/Cursornpx -y kordoc setup注册 MCP17 个工具覆盖解析·对比·生成·渲染验证数据不是能读是读对引擎可靠性有硬指标背书完整方法见 docs/benchmarks.mdHWPX2,286 份文档、9,865 个可见表格结构一致率100%HWP 5.x ↔ HWPX 配对1,120 对文档、4,258 个表格跨格式表格结构一致率100%PDF 对照744 对样本文字还原率 99.83%上手只需两步npm install kordoc npx kordoc 문서.hwpx -o 문서.md更多选项页码范围、JSON 输出、OCR、批量并行请参阅 docs/usage.md。四种格式、四套引擎、一条命令——把韩文文档地狱交给 kordoc你只管拿 Markdown。【免费下载链接】kordoc모두 파싱해버리겠다 — HWP·HWPX·PDF·Office 문서를 Markdown으로. 양식 자동 채우기와 신구대조를 갖춘 CLI·MCP 서버 | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff项目地址: https://gitcode.com/gh_mirrors/ko/kordoc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考