PDF 추출 도구가 어떤 파일에서는 98%의 정확도를 보이고
다른 파일에서는 엉망인 이유는? — 3가지 PDF 유형 설명

추출 성공을 결정짓는 세 가지 PDF 유형

두 개의 PDF를 나란히 열어 보고, 동일한 종류의 정보가 포함되어 있음을 확인한 뒤, 같은 추출 도구에 넣었는데 결과가 완전히 다르게 나온 경험이 있으신가요? 그렇다면 당신은 혼자가 아닙니다. 이는 문서 추출 도구에 대한 가장 흔한 불만 사항이며, 거의 항상 도구의 잘못이 아닙니다.

문제는 PDF가 단일 형식이 아니라는 점입니다. PDF는 텍스트를 근본적으로 다른 세 가지 방식으로 저장할 수 있는 컨테이너이며, 대부분의 추출 도구는 그중 한두 가지만 잘 처리합니다. 중요한 차이는 파일 확장자가 .pdf인지가 아니라, 파일에 텍스트 레이어가 내장되어 있는지, 텍스트의 평면 이미지만 있는지, 아니면 둘 다인지입니다. 각 유형이 내부적으로 어떻게 생겼는지 살펴보겠습니다:

핵심 통찰: 화면에서 어떻게 보이는지로 PDF를 판단할 수 없습니다. 동일하게 표시되는 두 파일도 형식 수준에서는 구조적으로 다를 수 있습니다. 추출 도구가 첫 번째 파일은 완벽하게 처리했지만 두 번째 파일에서는 엉망으로 처리했다면, 가장 유력한 설명은 두 파일이 서로 다른 PDF 유형에 속하며 도구가 잘못된 추출 전략을 적용했다는 것입니다.

10초 만에 진단하는 방법 — 세 가지 테스트

PDF 분석 도구나 개발자가 없어도 자신의 PDF가 어떤 유형인지 파악할 수 있습니다. 모든 운영 체제에는 PDF 리더라는 필요한 도구가 내장되어 있습니다. 아래 세 가지 테스트는 온라인 분석기에 파일을 업로드하는 것보다 시간이 덜 걸립니다:

테스트 1: 텍스트 선택 테스트

Adobe Acrobat, Chrome, macOS 미리보기 또는 모바일 PDF 앱 등 아무 리더에서나 PDF를 여세요. 텍스트 선택 도구를 클릭하고 문장이나 숫자를 드래그하여 선택해 보세요.

• 개별 단어가 강조 표시되고 복사할 수 있다면: PDF에 사용 가능한 텍스트 레이어가 있는 것입니다. 원본 텍스트 기반 PDF이거나 OCR 처리된 PDF입니다. 표준 추출이 작동해야 합니다.
• 커서가 빈 사각형을 그리며 아무것도 강조되지 않는다면: PDF가 이미지 전용입니다. 어떤 도구도 추출할 텍스트 레이어가 없으며 픽셀만 존재합니다. OCR 또는 비전 AI가 필요합니다.

이 테스트는 결정적입니다. 스캔된 문서는 텍스트가 눈에 아무리 선명하게 보여도 선택 가능한 텍스트가 정확히 0개 생성됩니다. 인간의 시각 시스템은 픽셀 패턴을 텍스트로 읽습니다. 컴퓨터는 이미지로 봅니다.

테스트 2: 검색 테스트

Ctrl+F(Mac에서는 Cmd+F)를 누르고 문서에 있다고 알고 있는 단어를 입력하세요 — 예를 들어 인보이스의 "Total" 또는 계약서의 "Date" 같은 단어입니다.

• 단어가 검색되어 강조 표시된다면: PDF에 검색 가능한 텍스트가 포함된 것입니다. 표준 방법으로 추출이 성공해야 합니다.
• 단어가 페이지에 보이는데도 검색 결과가 0건이라면: 문서가 이미지 전용입니다.

테스트 3: 혼합 결과 테스트

대부분의 사람들이 건너뛰는 테스트이며, 하이브리드 PDF가 진단되지 않는 이유입니다. 모든 페이지에서 테스트 1을 수행하십시오. 첫 페이지만이 아니라요. 1페이지에서 텍스트를 선택한 다음 3페이지, 5페이지로 스크롤하십시오.

• 일부 페이지에는 선택 가능한 텍스트가 있고 다른 페이지에는 없는 경우: 하이브리드 PDF를 보유하고 있는 것입니다. 이 시나리오는 가장 당혹스러운 추출 실패를 생성합니다 — 도구가 1페이지와 2페이지를 완벽하게 처리하고, 그런 다음 3페이지에서 정렬이 어긋난 열과 누락된 필드를 생성합니다. 파일 이름이 같고 시각적 레이아웃이 일관되어 보이기 때문에 도구가 처리 중간에 "고장난" 것처럼 느껴집니다.

PDF 유형을 식별하면 해결 방법이 간단해집니다. 각 유형마다 다른 근본 원인과 다른 해결책이 있습니다.

원인 1: 텍스트 기반 PDF인데도 여전히 잘못된 결과가 나오는 경우

증상: 텍스트를 선택할 수 있고, PDF가 소프트웨어로 생성되었지만, 추출된 출력에 열 순서가 잘못되거나, 테이블 셀이 병합되거나, 화면에 표시된 내용과 일치하지 않는 문자가 포함되어 있습니다.

발생 이유: PDF는 Word 문서처럼 텍스트를 저장하지 않습니다. 선형 단락과 정의된 읽기 순서 대신, PDF는 텍스트를 일련의 그리기 명령으로 인코딩합니다 — 문자 "I"를 좌표(72, 540)에 배치하고, "n"을 (78, 540)에 배치하는 식입니다. 형식에는 단락, 읽기 순서 또는 테이블 구조에 대한 내재된 개념이 없습니다. PDF는 각 문자가 페이지의 어디에 있는지는 알지만, 텍스트가 무엇을 의미하는지 또는 어떻게 읽어야 하는지는 이해하지 못합니다.

추출 도구는 이러한 저수준 위치 명령에서 논리적 구조를 재구성해야 합니다. PDF가 비표준 글꼴 인코딩, 사용자 지정 문자 매핑(CMap) 또는 비표준 PDF 생성기로 생성된 경우, 재구성으로 인해 파일에 기술적으로 텍스트 레이어가 포함되어 있음에도 불구하고 뒤섞인 출력이 생성될 수 있습니다. 이는 다음 경우에 가장 흔합니다:

• ERP 생성 PDF: 일부 엔터프라이즈 시스템은 텍스트를 비표준 방식으로 인코딩하는 사용자 지정 PDF 생성기를 사용합니다 — 화면에서는 문자가 올바르게 보이는 이유는 PDF 리더가 자체 텍스트 렌더링을 적용하기 때문이지만, 기본 인코딩은 비표준이며 추출 도구가 이를 올바르게 해석할 수 없습니다.
• 포함된 글꼴 하위 집합이 있는 PDF: 글꼴 문자의 하위 집합만 포함된 경우, 추출 도구가 글리프를 잘못된 유니코드 문자에 매핑하여 실제 콘텐츠와 알파벳적으로 인접하지만 의미상으로는 잘못된 "텍스트"를 생성할 수 있습니다.
• 다중 열 레이아웃: 올바르게 구성된 텍스트 기반 PDF도 추출 도구가 두 열을 가로질러 위에서 아래로 읽으면 잘못된 출력을 생성할 수 있습니다. 문장이 왼쪽 열의 끝에서 오른쪽 열의 끝으로 점프합니다 — 완전히 읽을 수 없게 됩니다.

해결 방법: 인코딩 또는 레이아웃 문제로 인해 제대로 추출되지 않는 텍스트 기반 PDF의 경우, PDF를 이미지로 평면화하고 비전 AI 도구를 사용하십시오. PDF 페이지를 고해상도 이미지로 변환하고 이를 비전-언어 모델에 제공하면 — 페이지를 텍스트 스트림이 아닌 시각적 장면으로 처리 — 인코딩 및 읽기 순서 문제 전체를 우회합니다. AI는 인간과 같은 방식으로 문서를 읽습니다: 페이지를 보고 시각적 구조를 이해하는 것입니다.

ImageToTable.ai는 이를 자동으로 처리합니다: PDF를 업로드하면 비전 모델이 텍스트 레이어가 아닌 렌더링된 페이지를 이미지로 읽습니다. 이는 인코딩이 잘못된 텍스트 기반 PDF도 추출이 PDF의 내부 텍스트 스트림에 의존하지 않기 때문에 올바르게 처리된다는 것을 의미합니다.

원인 2: 이미지 전용 PDF — 텍스트 레이어가 전혀 없음

증상: 어떤 페이지에서도 텍스트를 선택할 수 없습니다. 파일을 볼 때는 정상으로 보이지만, 모든 추출 도구가 빈 결과를 반환하거나 OCR 쓰레기를 반환합니다. 문서는 사실상 PDF 래퍼에 붙여 넣은 사진 모음입니다.

발생 이유: 이는 실제 비즈니스에서 가장 흔한 PDF 시나리오입니다. 공급업체가 인보이스를 인쇄하고, 서명하고, 도장을 찍은 후 디지털 파일로 스캔합니다. 또는 현장 검사관이 종이 양식을 작성하고 휴대폰으로 촬영한 뒤 PDF로 저장된 이미지를 이메일로 보냅니다. PDF의 내부 구조에는 페이지당 정확히 하나의 객체, 즉 단일 평면 이미지만 포함됩니다. 문자 객체는 0개, 글꼴 참조는 0개, 텍스트 렌더링 지침도 0개입니다.

기존 추출 도구 — pdfplumber 및 PyMuPDF의 텍스트 추출 모드와 같은 Python 라이브러리, 그리고 Excel 내장 PDF 가져오기 기능을 포함 — 는 텍스트 레이어만 읽습니다. 이미지 전용 PDF를 열면 추출할 내용이 없어 빈 결과를 반환합니다. 이는 도구의 버그나 한계가 아닙니다. 도구는 올바르게 작동하고 있습니다. 문서에 도구가 필요로 하는 내용이 단순히 없는 것입니다.

해결 방법: 이미지 전용 PDF에는 OCR 또는 비전 AI가 필요합니다. 추출 도구는 페이지를 이미지로 읽고, 픽셀 패턴을 문자로 인식하며, 텍스트를 재구성할 수 있어야 합니다. 이때 스캔 품질이 결과의 정확도를 직접 결정합니다.

고해상도 스캔으로 대비가 좋고 그림자가 없으며 기울어짐이 최소화된 경우, 최신 도구로 95% 이상의 추출 정확도를 얻을 수 있습니다. 저해상도 스캔 — 조명이 좋지 않은 상태에서 구겨진 영수증을 휴대폰으로 촬영한 경우를 생각해 보세요 — 은 정확도를 70% 미만으로 떨어뜨릴 수 있습니다. 스캔 PDF의 AI 추출은 일반적으로 이 범위를 처리합니다. 비전 모델은 완벽한 스캔뿐만 아니라 실제 조건의 문서를 읽도록 훈련되었기 때문입니다.

원인 3: 모든 것을 망치는 숨은 하이브리드 PDF

증상: 일부 페이지는 완벽하게 추출되지만, 다른 페이지는 뒤죽박죽된 출력, 정렬이 어긋난 열, 또는 누락된 필드가 발생합니다. 실패하는 페이지와 성공하는 페이지는 외관상 동일해 보입니다. 추출 도구가 배치 작업 중 "무작위로" 고장 나는 것처럼 보입니다.

발생 이유: 하이브리드 PDF는 일반 PDF와 똑같이 보이기 때문에 추출 실패의 가장 간과되는 원인입니다. 하이브리드 PDF는 텍스트 레이어와 포함된 이미지를 모두 포함하며, 종종 다른 페이지에 분포되어 있습니다. 이를 발생시키는 시나리오는 다음과 같습니다:

• 건설 계약자가 AIA G702 지급 신청서를 제출합니다. 1페이지는 회계 소프트웨어로 생성됩니다. 2~5페이지는 서명된 변경 주문서의 스캔본입니다. 전체 세트가 단일 PDF 파일로 병합됩니다.
• 보험 중개인이 보험 증서를 보냅니다. 첫 페이지는 시스템에서 디지털 내보내기한 것입니다. 두 번째 페이지는 원본 보험 약관 승인의 스캔본입니다.
• 공급업체 이메일에 "완전한 청구서 패킷"이 포함되어 있습니다. 실제 청구서는 디지털 PDF이지만, 첨부된 포장 명세서와 배송 확인서는 동일한 문서에 저장된 스캔 사진입니다.

기존 도구가 하이브리드 PDF를 처리할 때, 전체 파일에 단일 추출 전략을 적용합니다. 도구가 텍스트 레이어를 읽으면 2~5페이지는 아무것도 반환하지 않습니다. 도구가 모든 항목에 OCR을 적용하면 이미 깨끗한 텍스트 레이어가 있는 페이지에서 텍스트를 이중 추출하여 중복되거나 병합된 데이터를 생성할 수 있습니다. 일부 도구는 두 레이어를 동시에 읽으려고 시도하여 텍스트 레이어의 열과 OCR 레이어의 열이 무작위로 섞인 혼란스러운 혼합 출력을 생성합니다.

출력이 실제 데이터처럼 보이기 때문에 이것이 가장 위험한 오류 모드입니다. 셀에 숫자가 있고, 일치하는 날짜와 올바르게 보이는 이름이 있지만, 합계가 틀리고 라인 항목이 정렬되지 않아 자동화의 목적을 무효화하는 완전한 수동 검증 없이는 추출을 신뢰할 수 없습니다.

해결 방법 — 두 가지 옵션:

언제 평면화하고, 언제 전환할까 — 실용적인 의사 결정 프레임워크

다음은 식별한 유형에 따라 PDF 추출 문제를 진단하고 해결하기 위한 빠른 참조 표입니다:

평면화 방식 — 모든 페이지를 깨끗한 이미지로 변환하는 방법 — 은 세 가지 PDF 유형 모두에 적용되는 보편적인 해결책입니다. 이는 임시방편이 아닙니다. 추출 파이프라인에서 형식 모호성을 제거하기 위한 의도적인 전략입니다. 모든 페이지가 균일하게 이미지가 되면 추출 도구는 단일하고 일관된 방법을 적용하며 출력 결과는 예측 가능해집니다.

이 의사 결정 프레임워크는 PDF 유형 문제를 다룹니다. 열 구조가 올바르고 PDF 유형도 적절한데 추출된 숫자가 일관되게 잘못된 경우 — 합계가 소계로 나오거나 날짜가 다른 날짜와 바뀌는 경우 — 문제는 추출 열을 정의한 방식에 있을 수 있습니다. 모호한 열 이름은 추출 숫자가 잘못되는 가장 흔한 원인 중 하나입니다, 해결 방법은 대개 "Total"을 "Total Amount Due"로 바꾸는 것처럼 간단합니다.

자주 묻는 질문

"모든 페이지에서 텍스트 선택이 가능한데, 추출 결과가 깨져 나오는 이유는 무엇인가요?"

텍스트 선택이 가능하다는 것은 텍스트 레이어가 존재한다는 뜻이지만, 그 레이어가 올바르게 구성되어 있다는 보장은 없습니다. 일부 PDF 생성기는 비표준 문자 인코딩이나 CMap 테이블을 사용하는 텍스트 레이어를 만듭니다. 이는 화면에서는 올바르게 표시되지만, 추출 도구가 해석하기는 어렵습니다. 이런 경우 파일을 이미지 전용 PDF로 간주하고, 페이지를 시각적으로 읽는 도구를 사용하세요.

"하나의 도구로 세 가지 PDF 유형을 모두 처리할 수 있나요?"

네, 텍스트 레이어가 아닌 문서를 시각적으로 읽는 도구라면 가능합니다. 텍스트 레이어 추출에만 의존하는 도구는 텍스트 기반 PDF만 처리할 수 있습니다. ImageToTable.ai와 같은 비전 AI 도구는 각 페이지를 이미지로 렌더링하여 사람이 읽는 방식과 동일하게 처리하므로 모든 PDF 유형을 일관되게 처리합니다.

"사용 중인 도구가 지원하는 PDF 유형을 알려주지 않습니다. 어떻게 확인하나요?"

이미지 전용 PDF에서 텍스트 선택 테스트를 실행해 보세요. 도구가 데이터를 추출한다면 시각적 읽기나 OCR 기능을 사용하는 것입니다. 빈 결과를 반환한다면 텍스트 레이어에 의존하는 것입니다. 대부분의 단순 PDF 파서는 후자에 해당합니다.

"모든 종이 문서를 더 높은 해상도로 스캔하면 문제가 해결되나요?"

더 높은 해상도는 이미지 전용 PDF의 OCR 정확도를 향상시키지만, 근본적인 문제는 해결되지 않습니다. 이미지 전용 PDF에는 여전히 기존 도구가 읽을 텍스트 레이어가 없습니다. 추출 도구가 시각적 읽기를 지원하지 않는다면 600 DPI 스캔도 아무것도 반환하지 않습니다. 스캔 품질만 높이지 말고 도구를 업그레이드하세요.

"받은 PDF가 이미 다른 사람이 OCR 처리한 경우에는 어떻게 되나요?"

OCR 처리된 PDF는 스캔 이미지 위에 보이지 않는 텍스트 레이어가 추가된 것입니다. 텍스트 선택 테스트가 작동하고, 대부분의 추출 도구가 성공합니다. 하지만 원본 이미지 품질은 여전히 중요합니다. 원본 스캔이 좋지 않으면 OCR 텍스트 레이어에 문자 오류가 포함될 수 있으며, 추출 도구가 이를 그대로 가져옵니다. 일부 비전 AI 도구는 내장된 텍스트 레이어를 신뢰하지 않고 이미지를 직접 다시 OCR하도록 설정할 수 있어, OCR 품질이 낮은 문서의 정확도를 높일 수 있습니다.