Busan Data Guide

📚 부산 지역 인문학 자료 디지털화(Digitalization) 가이드

『부산을 빛낸 인물』과 『부산의 자연마을』의 디지털 데이터 변환

• 들어가며
• 전체 로드맵
• 작업일정
• 데이터 구조화
• 실전 예시
• ID 규칙
• 작업 스프레드시트
• XML 태깅
• Q&A

📖 들어가며

본 프로젝트는 부산광역시 문화유산과 시사편찬실에서 발간한 『부산을 빛낸 인물』과 『부산의 자연마을』이라는 부산의 인문 자료를 디지털 데이터로 변환하는 기초 작업입니다.

📚 프로젝트 규모 및 팀 구성

작업 대상 자료: 부산광역시사편찬위원회 자료실 또는 부산 지역사 도서관에서 PDF 다운로드 & 모든 팀원 활동일지 다운로드

• 『부산의 자연마을』전 6권
• 『부산을 빛낸 인물』전 3권
• 오리엔테이션 출석체크
• 보조연구원 활동일지 서식 보기(개별 배포 예정)

👥 역할 분담 (총 26명: 인문계 23명 + 이공계 3명)

역할: 인문계 학생들은 텍스트 구조화(EXCEL) 및 태깅(XML) + 이공계 학생들은 기술 지원 및 자동화

A팀

『부산을 빛낸 인물』전 3권 (780 페이지)

• 구조화: 황인영, 이선영 (390페이지씩)
• 태깅: 박하영, 김남희, 최은
• 검수: 박수연

B팀

『부산의 자연마을』제1, 2, 6권(1,140여 페이지)

• 구조화: 김수민, 김주난, 임승주 (380페이지씩)
• 태깅: 김수인, 김민경, 홍정빈
• 검수: 정재환

C팀

『부산의 자연마을』제3, 4, 5권(1,140여 페이지)

• 구조화: 김수영, 엄미연, 윤채영 (380페이지씩)
• 태깅: 우지성, 임혜민, 조혜원
• 검수: 노수미

D팀

전체 작업 (약 3,000 페이지)

• 원본 파일(txt): 이다원, 최나영 (1500페이지씩)
• 이미지 및 전체 검수: 윤수현
• 전처리 및 XML 변환: 강주연, 박지현, 박비원

📊 A~C팀의 역할

• 구조화: PDF에서 추출한 텍스트를 팀별 작업 시트에 입력
• 매주 일정 분량씩 검수자에게 제출
• 태깅: 의미 요소 식별 (XML 태깅을 위한 준비 작업)
• 검수: 누락된 부분 없는지 확인 및 작업 일정 관리

💻 D팀의 역할

• 파이썬 스크립트 개발 (태깅 마커 [P][/P] → XML 자동 변환)
• 데이터 검증 및 오류 체크 자동화
• 팀 내 기술적 문제 실시간 지원
• VScode, Git 등 도구 활용 지원

이제 책 속의 자료를 시맨틱 데이터로 변환하는 기초 작업을 진행할 예정입니다. 왜 이 작업이 필요할까요?

부산광역시사편찬위원회 자료실에 PDF로 제공되는 도서는 한 번에 한 사람만 읽을 수 있지만, 디지털 데이터로 변환된 지식은:

• 💡 검색 가능: "1950년대 부산 영도구"라고 검색하면 관련된 모든 내용이 한눈에 보이게 만들 수 있습니다!
• 🔗 연결 가능: 인물과 장소, 사건이 서로 연결되어 새로운 통찰을 발견할 수 있습니다!
• 📊 분석 가능: 빈도, 패턴, 관계를 통해 보이지 않던 역사적 의미를 발견할 수 있습니다!
• 🌐 공유 가능: 전 세계 연구자들과 부산의 이야기를 나눌 수 있어요

🔥 전체 로드맵: 3단계 여정

1

디지털화(Digitalization) 기초 작업

현재 단계

• PDF → 텍스트 추출
• 구조화 → CSV 정리
• 태깅 → XML 변환

목표: 원천 자료를 DB에 업로드 가능한 형태로 구조화

2

데이터 분석(Data Analysis)

• 빈도 분석 & 키워드 추출
• 관계 파악
• 의미 해석

목표: 구축된 데이터에서 학문적 의미와 패턴 도출

3

데이터 설계(Data Modeling)

• 온톨로지 설계
• 지식 그래프 구상
• 활용 방안 기획

목표: 플랫폼 구축을 위한 데이터 모델링

📊 작업 일정 계획 (2026년 1월~2월)

부산 인문자료 디지털화 온보딩 타임라인

📚 전체 분량

• 『부산을 빛낸 인물』: 총 783페이지(A팀)
• 『부산의 자연마을』: 총 2,272페이지
• B팀: 1,141페이지
• C팀: 1,131페이지

※ 각 팀은 작업량을 할당하여 2개월간 데이터 정리 작업을 진행하고 기록합니다.

기간	목표	세부 과제
1월 23일	csv 작업 파일 및 txt 원본 제출	킥오프: 팀장 선정 및 역할 분담 PDF 추출 후 CSV 작업 연습 연습 작업물 검토 후 팀별 스프레드시트 작업 시작 검수자는 매주 일정 분량씩 받아서 검수 작업(작업 일지 작성), 첫 주에 XML 샘플 작업 이공계 학생은 XML 샘플 작업 받아서 파이썬 스크립트 작업 돌입
1월 30일	txt 전처리 파일 및 기본 구조화 작업 파일 제출	원본에서 병기된 한자 및 부호 제거 간단한 분석 테스트(형태소분석 등) 통해 불용어(stop word) 제거 기본 구조(book, chapter, topic, paragraph)만 , ...으로 남기기 1차 중간 점검 및 피드백
2월 20일	XML 마커 샘플 작업파일 제출	각자 담당 분량의 10%를 연습 작업물로 제출 인문계: id와 text_origianal 열을 다른 시트에 옮겨서 text_tagged 작업 진행 이공계: 파이썬 XML 자동변환 스크립트 테스트 2차 중간 점검 및 오류 수정
2월 27일	완료 및 품질 검수 + XML 변환	담당 분량 100% 완료 작업물 제출 인문계: 전체 text_tagged 완성 이공계: XML 자동 변환 실행 전체 데이터 통합 팀원 간 교차 최종 오류 검토 최종 결과물 및 결과보고서 제출

💡 작업 결과물 제출

중간 산출물: 총괄 교수님께 팀별로 경과 보고

최종 산출물: 권별.csv, 권별.txt, 권별.xml + 팀별 결과보고서(팀장을 정해서 한 명이 9개 파일 수합 후 이메일로 제출)

권별 파일명(부산지역사도서관 PDF파일명을 따름): lightuppeople01(original).txt ... , B_jayeonmaeul01(clean).txt ...

📊 우리 팀 데이터 구조 이해하기

우리가 사용하는 구글 시트는 18개의 필드(열)로 구성되어 있어요. 각 필드가 왜 필요한지 함께 살펴볼까요?

🔑 핵심 필드 설명

필드명	예시	설명	작업자가 할 일
id	txt_10001	단락별 정보를 하나로 묶는 고유 번호	필수 반드시 부여 (중복 금지!)
book_id	lightuppeople01	책 식별자(부산지역사도서관 PDF 파일명을 따름)	책마다 고정값 사용
book_title	부산을_빛낸_인물	책 제목	언더바(_)로 연결
sub_title	20세기_이전_인물편	부제목	있는 경우만 입력
publisher	부산광역시_문화유산과_시사편찬실	발행처	책 정보 그대로
pub_date	2004.06	출판일	YYYY.MM 형식
chapter	001	장 번호	3자리 숫자 (001, 002...)
page	005	페이지	3자리 숫자 (005, 006...)
person_id	per_10001	인물 고유 번호	필수 새 인물마다 부여
name_ko	최치원	인물 한글 이름	정확하게 입력
name_ch	崔致遠	인물 한자 이름	있는 경우만 입력
topic	해운대의_유래	소주제	섹션 제목 그대로
author	정경주_경성대교수	글쓴이	이름_소속 형식
text_original	(본문 내용)	원문 텍스트	필수 가장 중요!
text_type	normal/citation	텍스트 유형 구분	추후 인용문만 별도로 추출 가능
relation_note	txt_10008	관련 텍스트 ID	단락이 연결되는 경우에만 기입
img_caption	최치원_영정	이미지 설명	이미지 있을 때만
remark	번역문 / 원문	자유롭게 여러 가지 정보를 기술, 언더바 불필요	필수 2월말에 결과보고서로 제출

📖 실전 예시로 배우기

사례 1: 일반 텍스트 처리하기

PDF 원문 (5페이지)

해운대의 유래 사람은 땅의 정기를 받아 태어나고, 땅은 사람으로 인하여 이름을 얻게 된다. 한반도 동남쪽 끝 바닷가의 한 모퉁이에 있는 해운대는 천년 전 신라의 학사 최치원이 머물며 자취를 남긴 곳이다.

스프레드시트 입력 결과

id	book_title	chapter	page	person_id	name_ko	topic	text_type
txt_10001	부산을_빛낸_인물	001	005	per_10001	최치원	해운대의_유래	normal

💡 체크포인트

• ✅ id는 연속된 번호: txt_10001, txt_10002, txt_10003...
• ✅ person_id는 새 인물 등장시에만 변경
• ✅ 한 문단 = 한 행: 문단 단위로 나누어 입력
• ✅ text_type은 'normal': 일반 서술 텍스트

사례 2: 인용문(citation) 처리하기

PDF 원문 (6페이지)

제 나이 열 두살 때 집을 떠나 서쪽으로 갔습니다. 배를 탈 적에 돌아가신 아버지께서 타이르시기를, '십 년 안에 진사(進士)에 급제하지 못하면 내 아들이라 하지 말라. 나도 아들을 두었다 아니하리라. 가라! 부지런히 하여 네 힘을 게을리 말라'고 하셨습니다.

스프레드시트 입력 결과

id	text_original	text_type	relation_note
txt_10006	최치원은 857년(헌안왕 원년)에 신라의 서울 경주에서 태어났다	normal
txt_10007	제 나이 열 두살 때 집을 떠나 서쪽으로 갔습니다.(도서 원본에서는 볼드체로 표시)	citation	txt_10006

💡 체크포인트

• ✅ text_type을 'citation'으로: 직접 인용문임을 표시
• ✅ relation_note 활용: 앞 문장(txt_10006)과 연결됨을 표시
• ✅ 따옴표 포함: 원문의 인용 부호 그대로 유지

사례 3: 운문(verse) 처리하기 - 가장 까다로운 부분!

PDF 원문 (11페이지) - 정서의 시

狂奔疊石吼重巒 人語難分咫尺間 常恐是非聲到耳 故敎流水盡籠山 (번역) 미친 물 바위 치며 겹겹 산을 뒤흔드니 지척 사이에도 사람 소리 모르겠네.

스프레드시트 입력 결과 - 원문과 번역문을 분리!

id	person_id	name_ko	text_original	text_type	relation_note	remark
txt_10013	per_101_002	정서	狂奔疊石吼重巒 / 人語難分咫尺間 / 常恐是非聲到耳 / 故敎流水盡籠山	poem	txt_10014	원문
txt_10014	per_101_002	정서	미친 물 바위 치며 겹겹 산을 뒤흔드니 / 지척 사이에도 사람 소리 모르겠네. / 세상의 시비 소리 들릴까 두려워서 / 짐짓 흐르는 물로 산을 온통 가두었네.	poem	txt_10013	번역문

💡 체크포인트

• ✅ 한문 원문과 번역문 = 2개 열: 별도로 입력 후 relation_note로 연결!
• ✅ remark에 명시: '원문' 또는 '번역문'
• ✅ relation_note로 연결: XML에서 [corresp id="txt_10013"]으로 대응시킴으로써 특정 원문에 대한 번역문임을 명시
• ✅ 연(구절) 구분은 슬래시(/): 狂奔疊石吼重巒 / 人語難分咫尺間 --> XML에서 [lg] [l]狂奔疊石吼重巒[/l] [/lg](ling group) 으로 변환

사례 4: 가사(歌辭) 처리하기

PDF 원문 (19페이지) - <삼진작 三眞勺>

내 님믈 그리와 우니다니 / 山졉동새 난 이슷요이다 / 아니시며 거츠르신 아으 / 잔월효성(殘月曉星)이 아시리이다 /

💡 체크포인트

• ✅ 운문으로 처리: 현대시, 한시, 가사 모두 운문(verse)으로 분류
• ✅ remark에 작품명: 인용문의 출처나 제목을 알 수 있다면 remark에 기입
• ✅ 특수문자 처리:  처럼 깨진 부분은 원문 그대로 표시

🔢 ID 부여 규칙 마스터하기

1. 텍스트 ID (id) 규칙

txt_10001, txt_10002, txt_10003...

규칙

• 형식: txt_ + 5자리 숫자
• 시작: 10001부터 시작
• 연속성: 중간에 번호를 건너뛰지 않음
• 고유성: 전체 데이터베이스에서 중복되면 안 됨!

2. 인물 ID (person_id) 규칙

per_10001, per_10002, per_20001...

규칙

• 형식: per_ + 5자리 숫자
• 책번호:
  • 10001 = 『부산을 빛낸 인물』 권1
  • 20001 = 『부산을 빛낸 인물』 권2
  • 40001 = 『부산의 자연마을』 권1
• 인물번호: 첫자리수는 권마다 달라지며 등장 순서대로 부여

실전 예시

상황	person_id	설명
최치원이 5페이지에서 처음 등장	per_10001	첫 번째 인물
정서가 11페이지에서 처음 등장	per_10002	두 번째 인물
최치원이 다시 15페이지에 등장	per_10001	동일 ID 재사용!

💡 팁

• 인물 등장 순서대로 번호 부여: 페이지 순서가 아니라 등장 순서
• 같은 인물은 같은 ID: 다른 책에 등장해도 같은 인물이라면 ID는 하나
• 엑셀 필터 활용: 이미 부여된 인물 ID 확인하기

💻 실습용 작업 스프레드시트

아래는 우리 팀이 실제로 작업하는 구글 시트입니다. 실시간으로 데이터를 확인하고 입력할 수 있어요.

📊 PNU_DHC 플랫폼 데이터 작업 시트 새 탭에서 열기 →

💡 스프레드시트 사용 팁

• 위 임베드 창에서 바로 데이터를 확인할 수 있어요
• 실제 입력은 "새 탭에서 열기" 버튼을 클릭해서 진행하세요
• 여러 사람이 동시에 작업할 수 있어요 (실시간 공동 편집)
• 변경 이력은 자동으로 저장됩니다

✅ 최종 체크리스트

작업 완료 전에 꼭 확인하세요!

• id가 연속되어 있나요? (txt_10001 → txt_10002 → txt_10003)
• person_id가 올바르게 부여되었나요?
• 같은 인물이 여러 곳에 나오면 같은 person_id를 사용했나요?
• text_type이 정확한가요? (normal/citation)
• 시의 원문과 번역문을 분리했나요?
• relation_note로 관련 텍스트를 연결했나요?

🏷️ XML 태깅: 데이터에 의미 부여하기

CSV로 정리한 텍스트에 의미론적 태그(Semantic Tags)를 붙여서 컴퓨터가 "누가", "어디서", "언제" 같은 정보를 이해할 수 있게 만드는 작업입니다.

🎯 왜 XML 태깅이 필요한가요?

태깅 전 (일반 텍스트)

최치원은 857년에 경주에서 태어났다.

→ 컴퓨터는 그냥 글자로만 인식

태깅 후 (XML)

<persName>최치원</persName>은
<date when="857">857년</date>에
<placeName>경주</placeName>에서 태어났다.

→ 인물, 시간, 장소를 구분해서 인식!

📚 온톨로지 설계 참고: 광주인문도시 사례

우리 프로젝트는 광주인문도시스토리플랫폼의 온톨로지 설계를 참고합니다:

🔗 광주 온톨로지 Class 설계 보기

광주 사례에서는 Agent(인물), Event(사건), Place(장소), Architecture(건축물) 등의 클래스를 정의했습니다. 우리는 이를 선행모델로 참고해서 같은 방식으로 부산 데이터를 설계하고, 웹상에 개방하여(Open) 웹 표준(URI)을 통해 광주 데이터와 연결(Linked)할 것입니다. 만약 우리가 우리 마음대로 이름을 붙여서 데이터를 만들면, 광주 데이터와 부산 데이터는 서로 다른 언어를 쓰는 셈이라 섞일 수가 없습니다. 하지만 우리가 같은 규칙(Class)을 쓰면, 컴퓨터는 부산의 플랫폼에 업로드 될 '최치원'과 광주의 플랫폼에서 언급하는 '최치원'이 같은 '인물(Actor)'이라는 것을 이해하고 서로 연결할 수 있게 됩니다. 이렇게 누구나 쓸 수 있도록 공개된 데이터(Open Data)들이 서로 표준화된 방식으로 연결(Linked)되어, 마치 거미줄처럼 정보를 확장해 나가는 것을 'LOD(Linked Open Data)'라고 합니다. 우리는 부산의 데이터를 만들어 거대한 지식의 웹(Web)에 연결하는 작업을 하는 것입니다.
앞으로 우리가 하게 될 XML 태깅은 컴퓨터에게 '이 단어는 그냥 글자가 아니라, 사람 이름이야'라고 알려주는 인식표를 달아주는 작업입니다. 우리가 최치원이라고 감싸주는 순간, 컴퓨터는 비로소 '아! 이건 그냥 글자가 아니라 행위자(Agent), 즉 사람 정보구나!'라고 인식하게 됩니다. 이 작업은 바로 DB에 적재되어 웹으로 서비스될 수 있고, 텍스트 분석을 거쳐 온톨로지 설계를 할 때 필요한 기반 데이터가 됩니다.

🎯 단계별 태깅 전략 (난이도별 접근)

1

1차 작업 (필수) - 가장 명확한 요소

현재 작업 단계

인명	[P]최치원[/P]	사람 이름 (판단 쉬움)
지명	[L]영도구[/L]	장소, 지역명 (판단 쉬움)

💡 추천: 학부생 기초 작업은 인명과 지명만 집중하는 것을 권장합니다!

• ✅ 판단이 가장 명확
• ✅ 작업 속도가 빠름
• ✅ 온톨로지 핵심인 "누가-어디서" 관계망 우선 구축

2

2차 작업 (선택) - 조금 더 복잡

시간	[D]1876년[/D]	날짜, 연도, 시대
기관명	[O]동래부[/O]	단체, 조직, 관청
서명	[T]동래부지[/T]	책, 문서, 작품명

진행 시기: 1차 작업 완료 후 또는 동시 진행 가능

3

3차 작업 (고급) - 전문가 검수 필요

문화유산	[H]동래읍성[/H]	유적, 문화재, 건축물
사건명	[E]임진왜란[/E]	역사적 사건, 행사
작품명	[W]해운대가[/W]	시, 그림, 예술작품

진행 시기: 데이터 분석 및 설계 단계에서

※ 문화유산과 지명, 작품명과 서명의 구분이 애매할 수 있어 전문가 판단 필요

🔍 1차 작업: 인명 + 지명 태깅 실전

예시 1: 『부산을 빛낸 인물』

원문:

최치원은 857년(헌안왕 원년)에 신라의 서울 경주에서 태어났다. 868년(경문왕 8)에 12세의 나이로 당나라에 들어갔다.

1차 태깅 (인명 + 지명만):

[P]최치원[/P]은 857년([P]헌안왕[/P] 원년)에 [L]신라[/L]의 서울 [L]경주[/L]에서 태어났다. 868년([P]경문왕[/P] 8)에 12세의 나이로 [L]당나라[/L]에 들어갔다.

💡 판단 기준

• 인명: 사람 이름 (최치원, 헌안왕, 경문왕)
• 지명: 장소/지역 (신라, 경주, 당나라)
• 제외: 857년, 868년 같은 시간 표현 (2차 작업에서!)

예시 2: 『부산의 자연마을』

원문:

영도구 동삼동은 조선시대에는 절영도의 일부였다. 1876년 개항 이후 일본인들이 거주하기 시작했으며, 1942년 부산부에 편입되었다.

1차 태깅 (인명 + 지명만):

[L]영도구[/L] [L]동삼동[/L]은 조선시대에는 [L]절영도[/L]의 일부였다. 1876년 개항 이후 일본인들이 거주하기 시작했으며, 1942년 [L]부산부[/L]에 편입되었다.

💡 판단 기준

• 지명: 영도구, 동삼동, 절영도, 부산부 (모두 장소)
• 인명: 없음
• 제외: 조선시대, 1876년, 1942년 (2차 작업에서!)

🔄 작업 도구별 역할 정리

단계	도구	작업 내용	담당
1단계 csv	Excel / Google Sheets	CSV 데이터 입력 (text_original)	전체 팀원
2단계 txt	Notepad++ / VSCode	태깅 마커 표시 (text_tagged)	인문계 학생
3단계 xml	Python	마커 → XML 자동 변환	이공계 학생
4단계 valid check	XML Validation 도구	XML 파일 검수 및 수정	팀 총괄 + 전체

⚠️ 태깅 시 주의사항

• 일관성 유지: 같은 대상은 항상 같은 방식으로 태깅
• 중첩 금지: [P][L]김해[/L][/P] (X) → 하나만 선택
• 불확실하면 표시 안 함: 확실한 것만 태깅
• Excel에서 작업: 익숙한 도구로 빠르게 진행
• VSCode는 검수용: XML 변환 후 최종 확인에만 사용

📊 태깅 진도 체크리스트

• 인명과 지명의 차이를 구분할 수 있나요?
• 마커 표기법([P], [L])을 이해했나요?
• Excel에 text_tagged 열을 추가했나요?
• 샘플 10개 문단을 태깅해보았나요?
• 팀원들과 태깅 기준을 통일했나요?
• VSCode를 설치하고 XML Tools 확장을 설치했나요?

💬 자주 묻는 질문 (Q&A)

Q1. 인물이 명확하지 않은 경우는?

A. person_id를 비워두고, remark에 "인물 미상" 표시

Q2. 여러 인물이 한 문단에 나오면?

A. 주요 인물의 person_id를 사용하고, remark에 "김철수, 이영희 등장" 메모

Q3. 페이지 번호가 불분명하면?

A. 앞뒤 맥락으로 유추하고, remark에 "페이지 추정" 표시

Q4. 작업 중 막힐 때는?

A.

1. 팀 단톡방에 질문
2. 매주 팀별로 정기 모임(zoom)
3. 작업 메뉴얼 재확인

🎯 마무리

기억해야 할 핵심 3가지

1. 일관성이 생명: 같은 항목은 항상 같은 방식으로
2. ID는 신중하게: 한번 부여한 ID는 앞으로도 계속 사용될 예정
3. 협업이 중요: 막힐 때는 팀원들과 의논하기(논의가 필요하다 생각한 부분을 결과보고서에 기입!!)

📎 참고 자료

• 작업 스프레드시트: 구글 시트 바로가기
• XML 가이드: XML 설계 입문
• 광주인문도시스토리플랫폼: 사례 참고

© 2025 부산대학교 디지털인문학센터 (Digital Humanities Center of Pusan National University)

PNU Knowledge Base 로컬 인문학 프로젝트

문의 및 결과물 제출: 김서윤 sy527991@pusan.ac.kr | 051-510-1594 | 최종 업데이트: 2025년 12월