답안지형 PDF 앞에서 막힌 100%, 방이 내놓은 도구 조합 해법

저녁 6시 반, 한 참여자가 답안지처럼 비정형 표와 그림이 섞인 PDF를 파싱하다 막혀 방에 고민을 던졌다. 아무리 손봐도 100% 정확도가 나오지 않는다는 하소연이었다.

"ㅜㅜ 감사합니다 일단 비정형화된 표와 그림들 음.. 예를 들면 답안지 같은 형식인데 100% 정확도를 올리기가 불가능하더라고요"

다른 참여자가 곧바로 문제를 좁혔다. 텍스트와 이미지, 표가 한 페이지 안에 섞여 있는 구조인지, 그림은 단순 OCR로 충분한지 아니면 설명까지 필요한지 되물었다.

"PDF 안에 텍스트 + 이미지 + 표 세개가 있는 경우신거죠? 그림은 OCR만하면 될까요? 그림에 대한 설명까지 필요하신걸까요"

곧이어 실전에서 써본 도구 이름들이 오갔다. 질문자는 업스테이지와 오픈데이터로더를 비롯해 여러 도구를 시도했지만 만족스럽지 않았다고 밝혔고, 다른 참여자는 hwp·hwpx를 PDF로 바꾼 파일의 파서 품질에 아쉬움을 드러내며 한글과컴퓨터를 향해 볼멘소리를 냈다.

"hwpx / hwp 파서나 내놓지 한컴이놈들 떼이잉"

질문자는 뒤이어 자신의 경험을 구체적으로 전했다. 클로드 API가 지금까지 써본 도구 중 가장 낫고, 업스테이지 쪽에는 미안하지만 자신이 다루는 문서 영역에서는 무료인 오픈데이터로더 쪽이 오히려 더 빠르고 결과가 좋았다는 결론이었다.

"클로드API 가 아직까진 젤 잘하는듯한... 그리고 업스테이지에는 죄송한 말씀이지만 적어도 제가 하는 영역에서는 오픈데이터로더가 더 빠르고 잘한다는 결론이;;;;;;;;;; 심지어 무료..."

같은 밤 다른 참여자는 팩스로 들어온 민원 문서를 로컬에서 스캔·파싱해본 경험을, 또 다른 참여자는 공문서의 날짜 표기가 앞뒤로 뒤집혀 인식되는 사례를 보탰다. 이어 한 참여자는 표 구조 복원에는 VLM(시각언어모델)을 페이지 이미지와 함께 넣어 재배열하는 방법이, 다단 문서에는 텍스트 좌표를 통계로 잡아 poppler 같은 도구로 단을 잘라내는 방법이 유효하다는 상세한 노하우를 이어갔다. hwp에서 변환된 pdf는 한글 전용 유니코드가 깨지는 경우가 있어 별도 확인이 필요하다는 점도 짚었다.

이 대화는 PDF 파싱이 하나의 만능 도구로 풀리는 문제가 아니라는 걸 보여준다. 업스테이지·클로드 API 같은 상용 도구와 VLM·poppler 같은 오픈소스 조합을 문서 유형에 따라 섞어 쓰는 실무자들의 감각이 방 안에 쌓여 있었고, 표·그림·다단·한글 인코딩처럼 실제 업무에서 반복되는 함정들이 구체적으로 공유됐다. 정답을 하나로 못박기보다 문제 유형별 대응법을 쌓아가는 방식이, 이 방이 실전 노하우를 다룰 때의 익숙한 패턴으로 자리 잡은 모습이다.