LiteParse를 활용한 브라우저 내 PDF 텍스트 추출 도구 구축

섹션별 상세

LiteParse는 AI 모델에 의존하지 않고 고전적인 PDF 파싱과 휴리스틱 알고리즘을 결합하여 텍스트를 추출합니다. 다단 레이아웃이나 복잡한 문서 구조에서도 텍스트의 논리적 순서를 감지하는 공간 텍스트 파싱 기법을 적용했습니다. 텍스트가 없는 이미지 기반 PDF의 경우 Tesseract OCR 엔진을 플러그인 형태로 호출하여 보완합니다. 이를 통해 RAG 시스템에서 답변의 근거가 되는 원문 위치를 정확히 파악하고 시각적 인용을 생성할 수 있는 기반을 마련합니다.

LiteParse 웹 데모 페이지의 실행 화면 스크린샷 — ScreenshotPDF 파일이 업로드된 후 텍스트와 JSON 데이터로 파싱된 결과를 좌우 패널로 보여줍니다. 왼쪽에는 추출된 텍스트가, 오른쪽에는 각 텍스트의 좌표와 폰트 정보가 포함된 JSON 구조가 표시되어 공간 파싱의 결과물을 시각적으로 확인할 수 있습니다.

근거

LiteParse는 AI 모델 대신 PDF.js와 Tesseract.js를 기반으로 작동한다 — Spatial text parsing 섹션 및 it’s built on top of PDF.js and Tesseract.js 언급

Claude Code를 활용한 에이전트 기반 개발 방식을 통해 CLI 도구를 웹 애플리케이션으로 신속하게 전환했습니다. iPhone의 Claude 앱에서 초기 아이디어를 검증한 후, Claude Code에 계획 수립(plan.md)과 TDD(Test-Driven Development) 적용을 지시하여 구현을 자동화했습니다. 특히 Playwright를 사용한 레드/그린 테스트 단계를 거쳐 Safari 브라우저의 호환성 문제를 해결하는 등 높은 수준의 자동화된 디버깅 과정을 포함했습니다. 최종적으로 Vite를 사용한 빌드와 GitHub Actions를 통한 자동 배포 파이프라인까지 에이전트가 직접 설정했습니다.

근거

Claude Code를 통한 실제 빌드 단계에 소요된 시간은 총 59분이었다 — Total time in Claude Code for that “build it” step was 59 minutes 섹션

브라우저 기반 실행 구조를 채택하여 데이터 보안과 비용 효율성을 동시에 확보했습니다. PDF.js와 Tesseract.js 라이브러리를 브라우저 런타임에서 직접 실행함으로써 사용자의 문서가 외부 서버로 전송되지 않도록 설계했습니다. 네트워크 패널 분석 결과 파싱 과정에서 추가적인 외부 요청이 발생하지 않음을 확인하여 보안성을 입증했습니다. 이는 서버 비용 부담 없이 정적 호스팅 서비스인 GitHub Pages만으로도 강력한 PDF 처리 도구를 운영할 수 있음을 보여줍니다.

기술

LiteParse
Claude Code
PDF.js
Tesseract.js
Vite
Playwright
GitHub Pages

활용 사례

브라우저 내 보안 PDF 텍스트 추출
RAG 시스템용 시각적 인용 데이터 생성
서버 비용 없는 정적 PDF 파싱 도구 구축

언급된 리소스

DemoLiteParse for the web Demo

GitHubLlamaIndex LiteParse GitHub