PDF에서 엑셀로 표 추출: 열 이름을 지정하면 AI가 위치를 찾습니다

PDF의 표에는 의미론적 구조가 없습니다. PDF는 그리기 명령어(선, X,Y 좌표에 배치된 텍스트 글리프)의 스트림일 뿐, 행과 열이 있는 데이터 객체가 아닙니다. Tabula나 Camelot 같은 도구는 텍스트 위치 사이의 간격을 측정하여 표 구조를 재구성하려고 시도합니다. Camelot 문서 자체에서도 격자선이 불완전할 때 격자 모드가 스트림 모드로 대체된다고 인정하지만, 스트림 모드는 열 경계를 추측하며, 추측은 열 뒤바뀜을 초래합니다.

병합된 셀과 확장 헤더가 열 정렬을 깨뜨립니다. "2025 Revenue"와 같은 헤더가 Q1부터 Q4까지의 하위 열에 걸쳐 있을 때, 위치 기반 도구는 이를 Q1 열에만 있는 것처럼 추출합니다. Q2-Q4와의 관계는 손실됩니다. 개발자들이 보고한 바와 같이, PyMuPDF는 현재 셀 확장 정보를 검색하는 내장 메커니즘이 없어 병합된 셀이 중복되거나 정렬이 잘못된 데이터를 생성합니다. 재무제표, 규제 서류, 과학 표에서 흔히 볼 수 있는 다중 레벨 헤더의 경우, 이는 사소한 불편이 아니라 구조적 데이터 손실입니다.

여러 페이지에 걸친 표는 분리되어 깨진 출력물로 나뉩니다. Camelot, Tabula, pdfplumber는 모두 각 페이지를 독립적인 추출 단위로 처리합니다. 표가 여러 페이지에 걸쳐 있을 때, 헤더 행은 PDF의 각 페이지에서 반복되며, 파서는 이를 모든 페이지에서 데이터 행으로 다시 추출합니다. StackOverflow 사용자들은 분할된 표를 감지하고 병합하기 위한 사용자 정의 스크립트, 페이지 경계 감지를 위한 임계값 기반 휴리스틱, 중복 헤더를 제거하기 위한 수동 후처리가 필요하다고 보고합니다. 이는 추출이 제공해야 할 시간 절약 효과를 무색하게 만듭니다.

컬럼명을 지정하면 AI가 좌표가 아닌 의미를 읽습니다. "설명", "수량", "단가", "합계"를 입력하면 시각 언어 모델이 해당 용어가 의미하는 바를 이해하고 테이블 내 어디서든 관련 데이터를 찾습니다. PDF에 적힌 컬럼 헤더 텍스트를 그대로 알 필요가 없습니다. 한 테이블이 "품목 설명"이라는 컬럼을, 다른 테이블이 "제품명"이라고 부르더라도 AI는 둘 다 사용자가 지정한 "설명" 컬럼과 일치함을 인식합니다. 이것이 위치 기반 파서와의 근본적인 차이입니다: 원하는 것을 정의하면 AI가 매핑하며, 파서가 구조를 추측한 대로 수용할 필요가 없습니다.

의미 이해로 병합된 셀 관계를 유지합니다. 모델은 테이블의 전체 시각적 레이아웃을 봅니다. 여러 하위 컬럼에 걸친 헤더가 단일 컬럼 값이 아닌 상위 레이블임을 인식합니다. "2025 매출" 위에 "1분기 | 2분기 | 3분기 | 4분기"가 있을 때 AI는 계층 구조를 이해하고 컨텍스트를 올바르게 할당합니다. 또한 테두리 없는 테이블(컬럼이 공백으로만 구분된 경우)도 처리합니다. 이는 Camelot 같은 격자 기반 도구가 구분선이 없어 완전히 실패하는 시나리오입니다.

페이지 나눔이 추출을 망가뜨리지 않습니다. 시각 언어 모델은 문서 전체를 있는 그대로 처리하며, 테이블이 페이지를 넘어 계속됨을 인식합니다. 반복되는 헤더 행은 헤더로 식별되며 데이터로 중복되지 않습니다. 행 번호는 연속성을 유지합니다. 12페이지에 걸친 500행 테이블은 하나의 깔끔한 테이블로 출력됩니다. 수동 병합과 헤더 제거가 필요한 12개의 개별 테이블이 아닙니다.