[Fix] PDF 텍스트 추출 시 깨진 문자(�) 검증 누락

[Gimini-3]

변경 내용

• 폰트 인코딩이 깨져 대체 문자(�)가 섞인 PDF가 검증 없이 Chunk·Embedding·RAG로 전달되던 문제를 막습니다.
• 문서 전체(모든 Page Segment 합산) 대비 � 비율이 5%를 넘으면 DOCUMENT_CONTENT_GARBLED (DOCUMENT-PARSING-008)로 차단합니다.
• WorkerIndexingFailureClassifier의 기존 DOCUMENT_CONTENT_INVALID 분류에 등록해, 암호화/OCR 필요/파싱 실패와 동일한 재처리 정책을 그대로 상속받습니다.

검증

• ./backend/gradlew -p backend test --tests "*PdfDocumentParserTest*" --tests "*WorkerIndexingFailureClassifierTest*" 통과
• ./backend/gradlew -p backend build -x test 통과

알려진 한계

PDFBox가 실제로 �를 출력하는 상황은 폰트 ToUnicode CMap이 깨진 손상 PDF에서만 발생하는데, 기존 테스트 헬퍼(Standard14 Helvetica/WinAnsiEncoding)로는 이런 손상을 인위적으로 재현할 수 없습니다. 그래서 parseDocument() 레벨의 실제 손상 PDF 통합 테스트는 이번에 빠졌고, isGarbled() 로직 자체는 문자열 직접 테스트로 커버했습니다. 실제 문제 PDF를 확보하면 fixture로 추가하는 걸 후속 작업으로 남겨둡니다.

Closes #257

[coderabbitai]

Important

• 🔍 Trigger review

This repository does not receive automatic reviews because it has fewer than 10 stars.

⚙️ Run configuration

Configuration used: Path: .coderabbit.yaml

Review profile: CHILL

Plan: Pro Plus

Run ID: 1b6cf301-5d06-436e-9599-797f2bcd9aec

---

Thanks for using CodeRabbit! It's free for OSS, and your support helps us grow. If you like it, consider giving us a shout-out.

❤️ Share

• X
• Mastodon
• Reddit
• LinkedIn

_{Comment @coderabbitai help to get the list of available commands.}