Add document table extraction (PDF/DOCX/PPTX) and integrate with CLI & Web UI

[rad1092]

Motivation

• 문서(.pdf/.docx/.pptx)에서 표를 추출해 기존 CSV 기반 분석 파이프라인으로 연결하려는 요구에 대응합니다.
• 표별 메타(행/열 수, 헤더 추정, 누락률)와 신뢰도(confidence)를 계산해 사용자가 직접 테이블을 선택하도록 지원해야 합니다.
• 추출 실패 원인을 명확히(암호화/스캔 이미지/표 없음) 반환해 후속 처리 흐름에서 적절히 대응할 수 있도록 합니다.

Description

• 추가: bitnet_tools/document_extract.py를 추가해 pdf/docx/pptx에 대한 통합 표 추출 인터페이스와 ExtractedTable/DocumentExtractResult 타입을 구현했습니다.
• 추출 로직은 DOCX/PPTX의 XML 파싱과 간단한 PDF 텍스트 후보 스캔을 사용하며, 각 테이블에 대해 row_count, column_count, header_inferred, missing_ratio, confidence를 계산해 반환합니다.
• CLI analyze 흐름을 확장해 문서 입력을 허용하고 --list-tables로 목록 확인, --table-index로 특정 테이블을 선택해 기존 build_analysis_payload 파이프라인으로 전달하도록 연결했습니다.
• Web API에 /api/document/extract 엔드포인트를 추가하고 /api/analyze에 input_type=document + table_index 처리를 추가했으며 내부 함수 _coerce_csv_text_from_file_payload가 문서 페이로드를 CSV 텍스트로 정규화하도록 통합했습니다.
• UI 변경: 입력 타입에 document 옵션 추가, 파일 선택 시 문서의 표 목록과 신뢰도 표시 및 선택된 인덱스를 서버로 전달하도록 app.js/index.html을 업데이트했고 멀티파일 업로드에서도 문서 처리를 지원합니다.
• 테스트 추가: 문서 추출 유닛 테스트(tests/test_document_extract.py), 웹의 문서 페이로드 정규화 테스트와 CLI 문서 명령 테스트를 포함해 관련 테스트를 추가/수정했습니다.

Testing

• 컴파일 검사: python -m py_compile bitnet_tools/web.py bitnet_tools/cli.py bitnet_tools/document_extract.py 실행(성공).
• 단위/통합 테스트: pytest -q tests/test_document_extract.py tests/test_web.py tests/test_cli.py 실행 결과 성공(해당 모듈 테스트들 통과).
• 전체 테스트 스위트: pytest -q 실행 결과 전체 테스트 통과 (35 passed).
• 수동 UI 스모크: 로컬 서버 실행(python -m bitnet_tools.cli ui) 및 Playwright로 페이지 렌더링/스크린샷 캡처 확인(성공).

---

Codex Task

[chatgpt-codex-connector]

💡 Codex Review

Here are some automated review suggestions for this pull request.

Reviewed commit: 13207286f4

ℹ️ About Codex in GitHub

Your team has set up Codex to review pull requests in this repo. Reviews are triggered when you

• Open a pull request for review
• Mark a draft as ready
• Comment "@codex review".

If Codex has suggestions, it will comment; otherwise it will react with 👍.

Codex can also answer questions or update the PR. Try commenting "@codex address that feedback".

[chatgpt-codex-connector]

Skip base64 conversion for non-binary file selection

fetchSheetsForFile now base64-encodes every selected file before checking inputType, but the CSV path never uses that value. For large CSV uploads this does an unnecessary full-file copy plus base64 expansion on each file-change/refresh action, which can noticeably freeze the UI or hit browser memory limits even though no sheet/table lookup is needed.

Useful? React with 👍 / 👎.