รูปแบบไฟล์เอกสาร HWP: สำรวจโครงสร้างของฟอร์แมต HWP

บทนำ

• ในสังคมปัจจุบัน เทคโนโลยีปัญญาประดิษฐ์กำลังขับเคลื่อนนวัตกรรมในหลากหลายสาขา และความสำคัญของข้อมูลก็เพิ่มขึ้นอย่างต่อเนื่อง
• ฟอร์แมต HWP มีองค์ประกอบที่เอื้อต่อการฝึก AI
  • ไม่ได้มีเพียงข้อความธรรมดาเท่านั้น แต่ยังประกอบด้วยองค์ประกอบหลากหลาย เช่น รูปภาพ ตาราง และแผนภูมิ จึงให้ข้อมูลที่สมบูรณ์ยิ่งขึ้น
  • มีการจัดโครงสร้างด้วยรูปแบบต่างๆ เช่น หัวเรื่อง ย่อหน้า และตาราง ซึ่งอาจช่วยให้โมเดล AI เข้าใจและวิเคราะห์เอกสารได้
• บทความนี้จะพาไปดูโครงสร้างของฟอร์แมต HWP และวิธีการจัดเก็บข้อมูลของเอกสาร

HWP ฟอร์แมตคืออะไร?

• ฟอร์แมต HWP เป็นฟอร์แมตเอกสารที่พัฒนาโดย Hancom และเปิดเผยครั้งแรกในปี 1997
• ฟอร์แมตนี้ประกอบด้วย CFB (Compound File Binary File Format) ซึ่งเป็นวิธีจัดเก็บหลาย data stream ไว้ในไฟล์เดียว
• ภายในไฟล์ HWP มีข้อมูลอย่าง File Header, DocInfo, DocOptions, BodyText, Script, HwpSummaryInformation, PrvImage, PrvText เป็นต้น

1. File Header

• ส่วน file header ของไฟล์ HWP มีข้อมูลสำหรับการระบุว่าเป็นเอกสาร Hancom
• มีข้อมูลลายเซ็น เวอร์ชันเอกสาร และข้อมูลการระบุไฟล์ ซึ่งใช้ในการตัดสินประเภทของเอกสาร HWP

2. DocInfo

• เป็นสตรีมที่เก็บข้อมูลส่วนกลาง เช่น แบบอักษรที่ใช้ในเอกสาร คุณสมบัติของตัวอักษร และคุณสมบัติของย่อหน้า
• DocInfo ถูกบันทึกโดยบีบอัดด้วย zlib และเมื่อคลายการบีบอัดแล้วจะสามารถดูข้อมูลต้นฉบับได้
• ข้อมูลหลายประเภทถูกจัดเก็บในรูปแบบเรคอร์ด

3. DocOptions

• ข้อมูลอย่างเอกสารที่เชื่อมโยง เอกสารสำหรับการแจกจ่าย และใบรับรองดิจิทัล ถูกจัดเก็บเป็นสตรีม

4. BodyText (Section)

• เป็นที่จัดเก็บเนื้อหาจริงซึ่งเป็นส่วนเนื้อความของเอกสาร
• ประกอบด้วยหลาย Section stream ตามจำนวนส่วนของเนื้อหา

5. Script

• เป็นสตอเรจที่บันทึกข้อมูลสคริปต์ซึ่งกำหนดไว้ในฟังก์ชันแมโครสคริปต์

6. HwpSummaryInformation

• ใช้จัดเก็บข้อมูลสรุปของเอกสาร และมีโครงสร้างเป็น PropertySet ของ Microsoft

7. PrvImage

• เป็นภาพตัวอย่างของเอกสาร โดยเก็บภาพของหน้าที่หนึ่งไว้

8. PrvText

• เป็นข้อความตัวอย่างของเอกสาร โดยเก็บเนื้อหาของหน้าที่หนึ่งในรูปแบบสตริง Unicode

ทิ้งท้าย

• ฟอร์แมต HWP ถูกจัดเก็บในรูปแบบไบนารี ทำให้มนุษย์อ่านได้โดยตรงยาก และถูกออกแบบมาให้เปิดดูและแก้ไขได้เฉพาะในซอฟต์แวร์บางประเภท
• ในทางกลับกัน ฟอร์แมต HWPX เป็นฟอร์แมตที่อิงกับ Open XML โดยมีการจัดโครงสร้างข้อมูลไว้ จึงถูกออกแบบมาให้มนุษย์เข้าใจเนื้อหาได้ง่าย
• ในตอนถัดไป จะมาดูกันว่าฟอร์แมต HWPX จัดเก็บข้อมูลแตกต่างจากฟอร์แมต HWP อย่างไร

[hahnlee]

ผมคือ hahnlee ผู้พัฒนา hwp.js (https://github.com/hahnlee/hwp.js) ครับ :)
ตอนที่พัฒนาโปรเจ็กต์นั้นรวมถึงตอนนี้ด้วย ผมไม่ได้ชอบ hwp สักเท่าไรนัก โดยเฉพาะในแง่ระดับการเปิดเผยข้อมูล

อย่างไรก็ตาม ในส่วนที่ว่า "ฟอร์แมต HWP มีองค์ประกอบที่เอื้อต่อการฝึก AI" ผมเห็นด้วยในระดับหนึ่ง

ถ้าพูดจากประสบการณ์ตอนสร้าง RAG ในเกาหลีมีการใช้ตารางกันเยอะเป็นพิเศษครับ แต่ในกรณีของ PDF มันเป็นฟอร์แมตที่ทำขึ้นโดยตั้งสมมติฐานเพื่อการพิมพ์ ดังนั้นคำว่า "ตาราง" จึงไม่มีอยู่ใน PDF มีเพียงเส้นกับข้อความเท่านั้น

เพราะแบบนั้น การดึงข้อมูลจากข้อมูลตารางที่ซับซ้อนจึงทำได้ยากเมื่ออิงจากเอกสาร PDF โดยเฉพาะในกรณีที่ตารางต่อเนื่องข้ามหน้า

ถ้าเปรียบเทียบแบบหยาบ ๆ hwp ให้ความรู้สึกเหมือนเอกสาร rich text ชนิดหนึ่ง ส่วน pdf ให้ความรู้สึกเหมือนเอกสาร txt แน่นอนว่านี่เป็นการพูดเฉพาะในเรื่องของ "ตาราง"

แต่ถ้าถามว่านี่เป็นจุดเด่นเฉพาะของฟอร์แมต hwp ไหม? ผมคิดว่าไม่ใช่ เรื่องที่ไม่ซับซ้อนใช้ Markdown ก็เพียงพอแล้ว และถ้าซับซ้อนขึ้นอีกหน่อย ผมคิดว่าการนิยามด้วย html จะดีกว่า

และที่สำคัญคือ docx หรือ odt ก็มีข้อดีแบบเดียวกันนี้เช่นกัน

[iolothebard]

หลังจากที่ Netscape แพ้ให้กับ IE แบบหมดรูป ก็เพิ่งมาปล่อยซอร์สและทำอะไรต่อมิอะไรตามหลังอยู่ขะมักเขม้นนั่นแหละ

[riki3]

ผมไม่ชอบ hwp และคงพูดถึงผลิตภัณฑ์ของบริษัท Hancom ในปัจจุบันในแง่ดีไม่ได้ แต่คิดว่าในอดีต ตัวผลิตภัณฑ์เองเป็นซอฟต์แวร์ที่ยอดเยี่ยมกว่า Word มากทีเดียว

[kuthia]

ผมก็คิดว่าเป็นซอฟต์แวร์ที่ยอดเยี่ยมอยู่เหมือนกัน จนกระทั่ง Han/Geul 97 ออกมา

[jwh926]

อะไรเนี่ยจริงๆ เหรอ?

[carnoxen]

ชะตากรรมที่น่าเสียดายของรูปแบบไฟล์เอกสารที่ไม่ได้กลายเป็นมาตรฐานโลก

[wook3910]

ฉันเคยเรียนการใช้โปรแกรมประมวลผลคำด้วย Arae-a Hangeul มาก็จริง แต่ตอนนี้มันน่าจะเป็นโบราณวัตถุที่ควรเลือนหายไปเพื่อการพัฒนาของเกาหลีใต้แล้ว

[regentag]

เมื่อเทียบกับ MS Word หรือ Libre Office แล้ว ผมรู้สึกว่า Hancom Hangul ใช้งานสะดวกกว่ามากในการทำเอกสารให้ออกมาตามรูปแบบที่ต้องการ ส่วนการเผยแพร่ก็ทำเป็น PDF ได้อยู่แล้ว

แน่นอนว่าอาจเป็นเพราะผมคุ้นเคยกับ Hancom Hangul มากกว่า เลยรู้สึกแบบนั้นด้วยครับ

[yeorinhieut]

"ฟอร์แมต HWP มีองค์ประกอบที่เอื้อต่อการฝึก AI"

นี่เรื่องจริงเหรอ..?

[regentag]

ก็น่าจะให้การฝึกของ AI เน้นไปที่ PDF แล้วทำตัวแปลงหรือทำเอกสาร Hancom Hangul เป็น PDF ให้ดี ๆ จะดีกว่าไหมครับ 555

[iamchp]

ผมก็อ่านตรงนั้นแล้วรู้สึกแปลกใจเหมือนกัน แต่พอเห็นโดเมนของต้นฉบับก็เข้าใจเลย 555

[jic5760]

อ๋อ.. เข้าใจแล้วครับ.. 55555555

[doolayer]

ผมไม่ค่อยเห็นด้วยเท่าไหร่นะ ถ้าเป็น hwpx ที่ในเนื้อหาก็มีพูดถึงไว้ด้วยก็ว่าไปอย่าง...