Slide-indexed 구조 설계를 통한 PPTX 데이터의 구조적 추출 및 RAG 파이프라인 통합

Context

기존 PPTX 추출 도구들의 단편적인 텍스트 추출 방식으로 인한 컨텍스트 손실 발생. 슬라이드 내 텍스트, 이미지, 테이블 간의 유기적 관계를 유지하며 구조화된 데이터를 확보해야 하는 필요성 증대.

Technical Solution

• python-pptx 라이브러리를 기반으로 한 Class-based 추상화 계층 설계
• 모든 추출 데이터에 Slide Number를 Key로 부여하는 Slide-indexed Organization 전략 채택
• Text, Image, Table 각각의 개별 추출 로직을 통합한 Unified Extraction 인터페이스 구현
• 이미지 파일의 자동 경로 생성 및 저장을 통한 I/O 오버헤드 감소 및 사용자 편의성 확보
• 추출된 데이터를 JSON 형태로 정형화하여 RAG 및 Knowledge Graph 시스템과의 결합 용이성 확보
• 비어 있는 텍스트 셰이프를 필터링하는 유효 데이터 검증 로직 적용