콘텐츠로 이동

PDF 포맷

개요

PDF(Portable Document Format)는 Adobe가 개발한 문서 포맷으로, 전 세계에서 가장 널리 사용되는 문서 형식 중 하나예요.

주요 특징

  • 범용성 — 모든 운영체제와 기기에서 동일하게 표시돼요
  • 텍스트 추출 — 문서의 텍스트 내용을 추출할 수 있어요
  • 메타데이터 — 제목, 작성자, 생성 도구 등의 정보를 포함해요
  • 다중 페이지 — 여러 페이지로 구성된 문서를 지원해요

언제 사용하나요?

  • 전자 문서 (계약서, 보고서 등)
  • 논문 및 출판물
  • 전자책 및 매뉴얼
  • 공공기관 배포 문서

파일 구조

PDF는 바이너리 형식으로 이루어져 있어요.

graph TD
    A["PDF 파일\n(.pdf)"] --> B["Header"]
    A --> C["Body\n(Objects)"]
    A --> D["Cross-reference\ntable"]
    A --> E["Trailer"]

    C --> C1["텍스트 객체"]
    C --> C2["이미지 객체"]
    C --> C3["폰트 객체"]
    C --> C4["페이지 객체"]

    style A fill:#e1f5ff
    style C fill:#fff4e1

파싱 방식

ureca_document_parser는 pymupdf (fitz)를 사용해서 PDF를 파싱해요.

flowchart LR
    A["PDF 파일"] --> B["pymupdf로\n파일 열기"]
    B --> C["메타데이터\n추출"]
    B --> D["페이지별\n텍스트 추출"]
    D --> E["문단 분리\n(빈 줄 기준)"]
    C --> F["Document 모델"]
    E --> F
    F --> G["Markdown"]

    style A fill:#e1f5ff
    style F fill:#e1ffe1
    style G fill:#ffe1e1

pymupdf가 필요해요

PDF 파싱은 pymupdf (fitz) 라이브러리를 사용하므로 추가 설치가 필요해요.

uv add "ureca_document_parser[pdf]"

사용 예시

CLI로 변환하기

uv run ureca_document_parser document.pdf -o document.md

출력 파일을 지정하지 않으면 표준 출력으로 결과가 나와요.

uv run ureca_document_parser document.pdf

Python API로 변환하기

파일로 저장

from ureca_document_parser import convert

convert("document.pdf", "output/document.md")

문자열로 반환

from ureca_document_parser import convert

markdown_text = convert("document.pdf")
print(markdown_text)

여러 파일 일괄 변환

from pathlib import Path
from ureca_document_parser import convert

pdf_files = Path("documents").glob("*.pdf")

for pdf_file in pdf_files:
    output = Path("output") / pdf_file.with_suffix(".md").name
    convert(pdf_file, output)
    print(f"변환 완료: {pdf_file.name} → {output.name}")

LangChain 청크로 반환

from ureca_document_parser import convert

chunks = convert("document.pdf", chunks=True, chunk_size=1000, chunk_overlap=200)
for chunk in chunks:
    print(chunk.page_content)

자세한 내용은 Python API 가이드와 LangChain 연동 가이드를 참고하세요.

지원 기능

다음은 PDF 포맷에서 지원하는 기능과 제한사항이에요.

기능 상태 설명
텍스트 추출 ✅ 페이지별로 텍스트를 추출해요
문단 구조 ⚠️ 빈 줄을 기준으로 문단을 구분해요 (레이아웃에 따라 부정확할 수 있어요)
제목 인식 ❌ PDF는 제목 정보를 명시적으로 포함하지 않아 자동 인식이 어려워요
표 추출 ❌ 표 구조를 인식하지 못하고 텍스트로만 추출돼요
리스트 ⚠️ 리스트 마커를 텍스트로 추출하지만 구조화하지는 않아요
메타데이터 ✅ 제목, 작성자, 생성 도구 등을 추출해요
이미지 ❌ 이미지 추출은 지원하지 않아요
도형/차트 ❌ 도형과 차트는 지원하지 않아요
수식 ❌ LaTeX 등의 수식은 지원하지 않아요
주석/하이라이트 ❌ PDF 주석과 하이라이트는 추출하지 않아요
다단 레이아웃 ❌ 복잡한 다단 구성은 텍스트 순서가 올바르지 않을 수 있어요

레이아웃 제한

PDF는 페이지 레이아웃 정보가 명확하지 않아서, 복잡한 구조의 문서는 텍스트 추출 순서가 올바르지 않을 수 있어요.

다음 단계