실제 문서 200건으로 테스트한 PDF 파싱 도구 성능 비교

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

실제 기업 문서 200건을 대상으로 PDF 파서 5종의 성능을 비교하고, 문서 유형에 따른 파서 선택 전략을 논의한다.

실제 기업 문서(연례 보고서, 청구서 등) 200건을 대상으로 다양한 PDF 파싱 도구의 성능을 비교 테스트한 후, 문서 복잡도에 따른 파서 선택 전략과 평가 방법에 대해 커뮤니티의 의견을 구했다.

PDF 파싱 성능은 문서의 디지털 여부와 표 구조 복잡도에 크게 의존한다. 비용과 정확도 사이의 균형을 맞추기 위해 문서 유형별로 파서를 분리하는 하이브리드 파싱 전략을 도입하는 것이 실무적으로 권장된다.

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.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

실제 기업 문서 200건을 대상으로 PDF 파서 5종의 성능을 비교하고, 문서 유형에 따른 파서 선택 전략을 논의한다.