kknaks.dev

개요

MS Office와 한글, LibreOffice 등의 최신 문서 파일들(.docx, .xlsx, .pptx, .hwpx 등)의 확장자에 붙는 "X"는 무엇을 의미할까요? 이 글을 읽으면 이들 파일의 실체를 알게 되어, 코드를 이용해 문서를 자동으로 처리하고, 손상된 파일을 복구하며, 파일 크기를 줄이고, 심지어 간단한 암호를 해제할 수도 있습니다. 또한 AI와 함께 대량의 문서를 자동화해 처리할 수 있게 되어 업무 효율을 크게 높일 수 있습니다.

배경 / 사전 지식

확장자와 파일 형식의 관계

파일의 확장자(예: .txt, .jpg, .pdf)는 파일이 어떤 형식으로 저장되었는지를 나타냅니다. 같은 확장자 파일들은 내부적으로 동일한 구조를 가집니다.

ZIP 압축 파일

ZIP은 여러 파일과 폴더를 하나의 파일로 압축하는 표준 형식입니다. Windows와 macOS 모두에서 별도의 프로그램 없이 압축 해제가 가능합니다.

XML 마크업 언어

XML(eXtensible Markup Language)은 데이터를 계층적으로 정의하고 저장하는 형식입니다. HTML과 유사해 보이지만, HTML은 데이터를 시각적으로 표현하는 데 중점을 두고, XML은 데이터의 구조와 의미를 명확히 하는 데 중점을 둡니다.

예를 들어 "이름이 kim이고 나이가 20"이라는 데이터를 XML로 표현하면:

<person>
  <name>kim</name>
  <age>20</age>
</person>

핵심 개념

"X" 확장자의 정체: ZIP + XML

.docx, .xlsx, .pptx, .hwpx 등 최신 Office 파일들은 사실 ZIP 압축 파일입니다. 각 파일을 .zip으로 확장자를 바꾼 후 압축을 해제하면, 내부에 여러 개의 XML 파일과 폴더들이 저장되어 있음을 발견할 수 있습니다.

"X"는 "XML"을 의미합니다.

이렇게 설계한 이유는:

데이터를 구조화되어 저장할 수 있어 프로그래밍으로 접근하기 쉬움
ZIP 압축으로 파일 크기를 줄일 수 있음
텍스트 기반이어서 버전 관리 시스템과 호환성이 좋음

워드 파일(.docx) 구조

Word 문서를 .zip으로 변환해 압축 해제하면 다음과 같은 구조를 볼 수 있습니다:

docx-file/
├── word/
│   ├── document.xml      # 실제 글 내용
│   ├── styles.xml        # 폰트, 색상, 단락 스타일 등
│   ├── numbering.xml     # 목록 스타일
│   └── media/            # 이미지, 비디오 등 미디어 파일
├── _rels/
│   └── .rels             # 파일 간 연결 관계
├── [Content_Types].xml   # 파일 형식 정의
└── docProps/             # 문서 속성 (제목, 작성자 등)

document.xml 내용의 예:

실제 문서에 "안녕하세요"라고 입력하면, document.xml에는 다음과 같이 저장됩니다:

<w:document>
  <w:body>
    <w:p>
      <w:r>
        <w:t>안녕하세요</w:t>
      </w:r>
    </w:p>
  </w:body>
</w:document>

엑셀 파일(.xlsx) 구조와 압축 기법

Excel 파일도 마찬가지로 여러 XML 파일로 이루어져 있습니다:

xlsx-file/
├── xl/
│   ├── worksheets/
│   │   └── sheet1.xml       # 시트의 실제 데이터
│   ├── sharedStrings.xml    # 중복되는 문자열 저장소
│   ├── workbook.xml         # 시트 목록, 설정 등
│   ├── styles.xml           # 셀 스타일 정의
│   └── media/               # 이미지 등
├── _rels/
└── [Content_Types].xml

엑셀의 똑똑한 압축 기법

엑셀 파일에서 "제목", "가격", "수량" 같은 텍스트가 여러 번 반복된다면, 매번 같은 문자열을 저장하는 것은 비효율적입니다. 따라서 엑셀은:

sharedStrings.xml에 모든 고유한 문자열을 저장:

<sst>
  <si><t>제목</t></si>      <!-- 인덱스 0 -->
  <si><t>가격</t></si>      <!-- 인덱스 1 -->
  <si><t>수량</t></si>      <!-- 인덱스 2 -->
</sst>

sheet1.xml에서는 인덱스만 참조:

<c><v>0</v></c>  <!-- "제목" 참조 -->
<c><v>1</v></c>  <!-- "가격" 참조 -->
<c><v>2</v></c>  <!-- "수량" 참조 -->

이 방식으로 중복 데이터를 제거해 파일 크기를 획기적으로 줄입니다.

작동 원리

단계 1: 파일 형식 변환

변환하고 싶은 .docx 파일을 준비합니다.
파일의 확장자를 .zip으로 변경합니다.
ZIP 파일 매니저(Windows 탐색기, 7-Zip, WinRAR 등)로 압축을 해제합니다.

단계 2: 내부 구조 확인

압축 해제된 폴더를 열면:

word/ 또는 xl/ 폴더에 핵심 데이터 파일(XML)들이 있음
media/ 폴더에 이미지, 비디오 등이 있음
XML 파일들은 코드 에디터(VS Code 등)로 열어 볼 수 있음

단계 3: 데이터 추출 및 수정

워드 문서에서 텍스트만 추출:

document.xml 파일을 VS Code 등의 에디터로 열기
<w:t> 태그 안의 내용만 추출
AI에 붙여 넣어 요약, 번역 등 처리

엑셀 파일에서 데이터 추출:

sheet1.xml에서 필요한 셀 값 추출
sharedStrings.xml과 대조하여 실제 문자열 획득

이미지 추출:

media/ 폴더의 이미지를 그대로 복사
원본 품질의 이미지를 손쉽게 획득

단계 4: 파일 재구성

XML 파일 수정
수정된 폴더를 다시 ZIP으로 압축
확장자를 .docx 또는 .xlsx로 변경
Office에서 정상적으로 열림

코드 예시

Python으로 DOCX 파일에서 텍스트 추출

방법 1: 저수준 접근 (ZIP + XML 직접 처리)

import zipfile
import xml.etree.ElementTree as ET

# DOCX 파일을 ZIP으로 읽기
with zipfile.ZipFile('document.docx', 'r') as zip_ref:
    # document.xml 추출
    xml_content = zip_ref.read('word/document.xml')

# XML 파싱
root = ET.fromstring(xml_content)

# Word XML의 네임스페이스 정의
namespace = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}

# 모든 텍스트 추출
text_elements = root.findall('.//w:t', namespace)
full_text = ''.join([elem.text for elem in text_elements if elem.text])

print(full_text)

방법 2: 고수준 라이브러리 사용 (권장)

from docx import Document

# DOCX 파일 열기
doc = Document('document.docx')

# 모든 단락의 텍스트 추출
for paragraph in doc.paragraphs:
    print(paragraph.text)

# 표의 데이터 추출
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text, end=' ')

설치: pip install python-docx

Python으로 XLSX 파일 처리

엑셀 데이터 추출:

from openpyxl import load_workbook

# 엑셀 파일 로드
wb = load_workbook('spreadsheet.xlsx')
ws = wb.active

# 모든 셀 데이터 반복
for row in ws.iter_rows(values_only=True):
    print(row)

# 특정 셀 접근
cell_value = ws['A1'].value
print(f"A1 값: {cell_value}")

설치: pip install openpyxl

시트 암호 해제:

from openpyxl import load_workbook
import zipfile
import xml.etree.ElementTree as ET

# 엑셀 파일을 ZIP으로 처리
with zipfile.ZipFile('protected.xlsx', 'r') as zip_ref:
    # 각 시트의 XML 파일 수정
    with zipfile.ZipFile('unprotected.xlsx', 'w') as zip_out:
        for item in zip_ref.infolist():
            content = zip_ref.read(item.filename)
            
            # 시트 XML에서 보호 설정 제거
            if item.filename.startswith('xl/worksheets/sheet'):
                tree = ET.fromstring(content)
                # sheetProtection 태그 찾아서 제거
                for elem in tree.findall('.//{http://schemas.openxmlformats.org/spreadsheetml/2006/main}sheetProtection'):
                    tree.remove(elem)
                content = ET.tostring(tree)
            
            zip_out.writestr(item, content)

주의: 파일 전체가 암호화되어 있으면 이 방법으로 해제할 수 없습니다. 시트 단위의 보호만 해제 가능합니다.

대량 문서 처리: 1만 개 워드 파일에서 총액 추출

import os
from docx import Document
from pathlib import Path

# 문서 폴더 경로
documents_folder = './documents/'
total_amount = 0

# 모든 DOCX 파일 순회
for docx_file in Path(documents_folder).glob('*.docx'):
    try:
        doc = Document(docx_file)
        
        # 문서의 모든 테이블에서 금액 찾기
        for table in doc.tables:
            for row in table.rows:
                for cell in row.cells:
                    text = cell.text.strip()
                    # 숫자만 추출 (예: "10,000원" → 10000)
                    if text and text[0].isdigit():
                        try:
                            amount = int(''.join(c for c in text if c.isdigit()))
                            total_amount += amount
                        except ValueError:
                            pass
    except Exception as e:
        print(f"Error processing {docx_file}: {e}")

print(f"총액: {total_amount:,}")

함정·실수

1. 암호화된 파일은 처리 불가

실수: DOCX/XLSX 파일이 "Encrypt as OLE object" 또는 "Password protect" 옵션으로 완전히 암호화되어 있으면, ZIP으로 변환해도 내용이 암호화되어 있어 열 수 없습니다.

회피법:

파일을 Office에서 열어 원본 암호를 입력한 후 다시 저장할 때 암호 없이 저장
파일 전체의 암호화 VS 시트/문서 보호 구분 (시트 보호만 제거 가능)

2. 인터넷의 출처 불명의 문서 파일 위험

실수: ZIP 파일 구조이므로 악의적인 실행 파일(.exe, 스크립트 등)을 media 폴더에 숨겨 넣을 수 있습니다. 파일을 열 때 악성 코드가 실행될 수 있습니다.

회피법:

신뢰할 수 없는 출처의 파일은 먼저 압축을 해제해서 내용 검토
XML 파일만 추출해 AI로 분석
최신 Office 버전 사용 (보안 패치 포함)

3. 파일 수정 후 손상 위험

실수: XML을 직접 수정할 때 태그를 잘못 닫거나 인코딩을 변경하면 파일이 열리지 않을 수 있습니다.

회피법:

원본 파일 백업 후 수정
XML 검증 도구 사용 (온라인 XML validator)
가능하면 공식 라이브러리(python-docx, openpyxl) 사용

4. 중복된 문자열 인덱싱 실수 (엑셀)

실수: sharedStrings.xml의 인덱스가 변경되었는데 시트의 참조를 업데이트하지 않으면 데이터가 뒤바뀝니다.

회피법:

XML을 직접 수정하지 말고 openpyxl 등 라이브러리 사용
라이브러리가 자동으로 인덱스 관리

5. 이미지 추출 시 품질 손실 없음을 모르는 경우

실수: "DOCX에 포함된 이미지는 압축되어 있을 거야" 라고 가정

사실: DOCX/PPTX에 포함된 이미지는 원본 파일이 그대로 저장되므로, media 폴더에서 추출한 이미지는 100% 원본 품질입니다.

6. 매우 큰 문서 파일의 처리 시간

실수: 이미지가 많은 대용량 PPT(1GB 이상)를 메모리에 한 번에 로드

회피법:

ZIP 파일을 스트림 방식으로 처리
media 폴더의 이미지만 선택적으로 처리

베스트 프랙티스

1. 정식 라이브러리 사용

XML을 직접 다루는 것보다 설계된 라이브러리를 사용하세요:

Python:

python-docx: DOCX 파일 조작
openpyxl: XLSX 파일 조작
python-pptx: PPTX 파일 조작

이들 라이브러리는 내부 XML 복잡성을 숨기고 직관적인 API를 제공합니다.

2. 파일 처리 전 백업

import shutil

# 원본 백업
shutil.copy('important_document.docx', 'important_document_backup.docx')

3. 대량 처리 시 자동화의 이점 극대화

파일 1개를 수정하는 데 2분이 걸리는데, 1000개면 2000분(33시간)이 필요합니다. 이런 반복 작업은:

Python 스크립트로 자동화 → 수분 내 완료
휴먼 에러 제거
일관된 품질 보장

4. 직접 형식 변환기 개발의 이점

온라인 변환 사이트 대신 직접 코드를 작성하면:

# 예: DOCX → CSV 추출
def docx_to_csv(docx_path, csv_path):
    from docx import Document
    import csv
    
    doc = Document(docx_path)
    
    with open(csv_path, 'w', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        
        for table in doc.tables:
            for row in table.rows:
                row_data = [cell.text for cell in row.cells]
                writer.writerow(row_data)

장점:

보안: 문서를 외부 서버로 보내지 않음
대량 처리: 수천 개 파일도 순간에 처리
커스터마이징: 특정 형식으로만 데이터 추출 가능

5. AI와 함께 자동화

구조화된 데이터(XML)는 AI 분석에 최적입니다:

import os
from dotenv import load_dotenv
from anthropic import Anthropic
from docx import Document

client = Anthropic()

# DOCX에서 텍스트 추출
doc = Document('document.docx')
text = '\n'.join([p.text for p in doc.paragraphs])

# Claude API로 분석
response = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": f"다음 문서를 분석해서 주요 내용을 3줄로 정리해주세요:\n\n{text}"
        }
    ]
)

print(response.content[0].text)

6. HWPX 활용

공공기관이 HWP에서 HWPX로 변경한 이유:

HWP: 바이너리 형식 → 코드 접근 어려움
HWPX: ZIP + XML 형식 → 코드 접근 용이

HWPX 처리도 DOCX와 동일한 원리입니다:

import zipfile
import xml.etree.ElementTree as ET

# HWPX 파일 열기
with zipfile.ZipFile('document.hwpx', 'r') as zip_ref:
    # 한글의 경우 'Contents/section0.xml' 등에 본문이 저장
    xml_content = zip_ref.read('Contents/section0.xml')
    # 이후 XML 파싱은 동일

참고

영상에서 언급된 자료:

W3C XML Datamodel — XML의 공식 명세
Tenor — 영상에서 사용된 GIF 출처
네이버 스포츠 (메이플스토리 커뮤니티) — 게임 커뮤니티 언급

추가 학습 자료:

Office Open XML 공식 표준 — DOCX, XLSX, PPTX의 정식 명세
python-docx 공식 문서 — Python DOCX 라이브러리
openpyxl 공식 문서 — Python XLSX 라이브러리
LibreOffice 문서 — 오픈소스 Office 대안

핵심 교훈: 파일 확장자의 "X"가 XML을 의미한다는 단순한 사실로부터, 문서 자동화, 보안 강화, 대량 처리 등 무한한 가능성이 펼쳐집니다. Office 파일의 구조를 이해하면 더 이상 마우스로 수동 작업하지 않아도 됩니다.

DOCX is ZIP: Understanding Office File Structure and Automation

Video

Study material

개요

배경 / 사전 지식

핵심 개념

"X" 확장자의 정체: ZIP + XML

워드 파일(.docx) 구조

엑셀 파일(.xlsx) 구조와 압축 기법

작동 원리

단계 1: 파일 형식 변환

단계 2: 내부 구조 확인

단계 3: 데이터 추출 및 수정

단계 4: 파일 재구성

코드 예시

Python으로 DOCX 파일에서 텍스트 추출

Python으로 XLSX 파일 처리

대량 문서 처리: 1만 개 워드 파일에서 총액 추출

함정·실수

1. 암호화된 파일은 처리 불가

2. 인터넷의 출처 불명의 문서 파일 위험

3. 파일 수정 후 손상 위험

4. 중복된 문자열 인덱싱 실수 (엑셀)

5. 이미지 추출 시 품질 손실 없음을 모르는 경우

6. 매우 큰 문서 파일의 처리 시간

베스트 프랙티스

1. 정식 라이브러리 사용

2. 파일 처리 전 백업

3. 대량 처리 시 자동화의 이점 극대화

4. 직접 형식 변환기 개발의 이점

5. AI와 함께 자동화

6. HWPX 활용

참고