실제 문서 200건으로 테스트한 PDF 파싱 도구 성능 비교

섹션별 상세

pymupdf와 pdfplumber는 네이티브 PDF에서는 빠른 처리 속도를 보이지만, 복잡한 표나 스캔된 문서에서는 성능이 크게 저하된다. 이들은 단순한 디지털 문서에는 적합하지만, 복잡한 레이아웃을 가진 문서 처리에는 한계가 있다.

docling은 처리 속도는 다소 느리지만 표 구조 보존 능력이 우수하며, llamaparse는 복잡한 레이아웃과 병합된 셀 처리에 강점이 있다. llamaparse는 결과물로 깔끔한 마크다운을 생성하지만 대량 처리 시 병행 실행 제한이 존재한다.

azure-document-intelligence는 스캔된 문서에서 다른 도구들보다 압도적으로 높은 정확도를 기록한다. 그러나 높은 비용 문제로 인해 전체 문서 코퍼스를 처리하는 데에는 경제적 타당성을 확보하기 어렵다.

모든 문서에 동일한 파서를 적용하는 것은 비효율적이며, 문서 유형에 따라 파서를 분리하는 전략이 필요하다. 디지털 PDF와 스캔된 문서, 표 위주의 문서 등 복잡도에 따라 비용과 정확도 사이의 최적 균형점을 찾아야 한다.