LLM 파이프라인을 위한 PDF 추출 도구 비교

LLM 파이프라인에 PDF를 넣어야 할 때 선택지가 너무 많습니다. 빠른 게 좋은지, 정확한 게 좋은지, 한국어가 되는지, GPU가 필요한지 — 조건마다 최선의 도구가 다릅니다.

PDF 파싱이 어려운 이유부터 짚고 갑니다. PDF는 인쇄를 위한 포맷입니다. 텍스트 흐름이 아니라 좌표 기반으로 글자를 배치합니다. 다단 컬럼, 표 셀, 수식, 머리글/바닥글이 모두 좌표로만 구분됩니다. 스캔한 PDF는 아예 이미지뿐이라 OCR 없이는 텍스트를 꺼낼 수 없습니다. 한국어는 폰트 인코딩 문제가 추가로 붙습니다. 여기에 RAG 청킹까지 고려하면 도구 선택이 파이프라인 품질 전체를 좌우합니다.

pdftotext — 가장 빠른 선택

<!-- -->
# Ubuntu/Debian
sudo apt install poppler-utils


<!-- -->
# macOS
brew install poppler

pdftotext input.pdf output.txt
pdftotext -layout input.pdf output.txt  # 레이아웃 보존

Poppler 라이브러리의 CLI 도구입니다. PDF 내부 텍스트 스트림을 직접 읽어내기 때문에 GPU도, 무거운 모델도 필요하지 않습니다. 수백 페이지짜리 문서를 초 단위로 처리합니다.

디지털 텍스트가 포함된 논문이나 보고서라면 충분합니다. -layout 옵션으로 공백 정렬을 보존하면 다단 컬럼을 어느 정도 살릴 수 있습니다.

한계는 명확합니다. 이미지 기반 스캔 PDF는 전혀 처리하지 못합니다. 표 구조가 무너집니다. 한국어는 poppler-data 패키지를 추가로 설치해야 하고, 폰트 인코딩이 잘못된 PDF는 복구가 안 됩니다. 마크다운이나 JSON 출력도 없습니다.

쓸 때: 전처리 파이프라인에서 디지털 텍스트 PDF를 빠르게 긁어야 할 때.

pymupdf4llm — RAG 파이프라인의 기본기

pip install pymupdf4llm

import pymupdf4llm

md_text = pymupdf4llm.to_markdown("input.pdf")

PyMuPDF 위에 LLM/RAG 최적화 레이어를 올린 라이브러리입니다. "No GPU, no Cloud, no Tokens required"를 표방하며, 한 줄 코드로 PDF를 마크다운으로 변환합니다.

속도는 CPU 기준 약 0.12초/페이지입니다. 표는 pipe-table 마크다운으로 자동 변환하고, 다단 컬럼은 읽기 순서를 재구성합니다. LangChain, LlamaIndex 통합도 지원합니다.

한국어는 PyMuPDF 기반이라 DroidSans Fallback 폰트 내장으로 CJK 처리가 됩니다. 스캔 PDF OCR은 Tesseract/RapidOCR를 별도 설치하면 사용 가능하고, 텍스트가 있는 페이지는 OCR을 건너뛰어 속도를 최적화합니다.

주의할 점은 라이선스입니다. AGPL v3라 상업용 폐쇄형 소프트웨어에 쓰려면 별도 계약이 필요합니다. 복잡한 중첩 표나 수식은 ML 기반 도구보다 정확도가 낮습니다.

쓸 때: 개인/오픈소스 프로젝트의 RAG 파이프라인에서 빠르고 가벼운 마크다운 변환이 필요할 때.

MinerU (opendatalab) — 한국어 포함 고정확도

uv pip install -U "mineru[all]"

OpenDataLab이 만든 고품질 문서 파싱 엔진입니다. GitHub 스타 62,000개 이상으로 가장 큰 커뮤니티를 갖고 있습니다. VLM + OCR 듀얼 백엔드 아키텍처를 씁니다.

정확도가 강점입니다. Pipeline 백엔드 기준 OmniDocBench 85+, VLM 백엔드는 95+. 표는 HTML로, 수식은 LaTeX로 변환합니다. 109개 언어 OCR을 지원하며 한국어, 중국어, 일본어를 명시적으로 지원합니다. 출력은 마크다운, JSON, 이미지 포함 멀티모달 마크다운.

트레이드오프는 하드웨어입니다. RAM 최소 16GB(권장 32GB+), VRAM 2~8GB. CPU-only 모드도 지원하지만 속도가 느립니다. Docker, CLI, API, 웹 인터페이스를 모두 제공해서 배포는 유연합니다. 라이선스는 Apache 2.0 기반.

쓸 때: 한국어 문서를 고정확도로 처리해야 할 때, 또는 표/수식이 많은 학술 문서를 다룰 때.

marker — 복잡한 PDF를 마크다운으로

pip install marker-pdf

marker input.pdf --output_dir output/

GitHub 스타 34,000개. 딥러닝(Surya OCR + 자체 레이아웃 모델) 기반 PDF → 마크다운 변환기입니다. PDF 외에도 DOCX, PPTX, XLSX, 이미지, EPUB를 지원합니다.

벤치마크에서 휴리스틱 점수 95.7%, LLM 평가 4.24/5로 LlamaParse와 Mathpix 대비 우수한 수치를 냅니다. 표 구조 보존, 수식 LaTeX 변환, 다단 컬럼 재구성 모두 처리합니다. Surya OCR이 90개 이상 언어를 지원해 한국어 스캔 PDF도 언어 지정(--langs ko) 없이 자동 인식됩니다.

속도가 문제입니다. CPU에서 약 11초/페이지로 느립니다. H100 GPU에서는 0.18초/페이지까지 올라가지만, GPU 없는 환경에서 대량 처리는 현실적이지 않습니다. 첫 실행 시 1GB 이상의 모델을 다운로드합니다. 라이선스는 GPL-3.0으로 상업용 폐쇄형 소프트웨어 사용에 제한이 있습니다.

쓸 때: GPU가 있고, 복잡한 학술 논문이나 다단 컬럼 문서를 정확하게 마크다운으로 변환해야 할 때.

docling (IBM) — 테이블 정확도 최고

pip install docling  # Python 3.10+ 필요

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("input.pdf")
print(result.document.export_to_markdown())

IBM Research Zurich가 개발하고 MIT 라이선스로 공개한 도구입니다. GitHub 스타 59,000개. DocLayNet(레이아웃 분석)과 TableFormer(표 구조 인식) 두 모델을 씁니다.

**테이블 정확도 97.9%**가 핵심 강점입니다. 처리 속도는 CPU 기준 약 0.79초/페이지, M3 Max에서 0.32초/페이지, NVIDIA L4 GPU에서 114ms/페이지입니다. PDF 외에 DOCX, PPTX, XLSX, HTML, LaTeX, 이미지, 오디오(WAV/MP3), 비디오(MP4)까지 지원합니다.

출력 형식도 풍부합니다. 마크다운, HTML, JSON(lossless), DocTags, WebVTT. 에어갭(인터넷 차단) 환경에서의 완전 오프라인 동작을 공식 문서에서 명시합니다. 최근에는 MCP 서버 지원도 추가됐습니다.

한국어는 Tesseract OCR 연동으로 지원합니다. 자동 언어 감지 기능과 예제 코드도 공식 문서에 포함되어 있습니다.

쓸 때: 표가 많은 문서를 높은 정확도로 처리해야 할 때. 상업용 프로젝트(MIT 라이선스).

추가로 알아둘 도구

pdfplumber — 좌표 기반의 정밀한 테이블 추출이 필요할 때. MIT 라이선스. 시각적 디버깅 도구가 내장돼 있어 "이 영역의 표만 꺼내겠다" 수준의 세밀한 제어가 가능합니다. 스캔 PDF는 처리 불가.

pypdf — 텍스트 추출보다 PDF 분할/병합/암호화 같은 조작이 목적일 때. C 의존성이 없어 AWS Lambda나 가벼운 컨테이너에 올리기 쉽습니다. BSD-3 라이선스.

LlamaParse — 설정 없이 바로 쓰고 싶을 때의 클라우드 API. 월 10,000 크레딧 무료. 복잡한 문서는 1페이지당 최대 $0.045까지 올라갑니다. 데이터가 외부로 나가므로 민감 정보 처리에는 적합하지 않습니다.

상황별 선택 정리

표가 복잡하고 한국어가 포함된 문서라면 docling이나 MinerU. 속도가 최우선이고 스캔이 없는 디지털 PDF라면 pdftotext나 pymupdf4llm. GPU가 있고 정확도를 끝까지 올려야 한다면 marker. 라이선스와 하드웨어 요구사항을 먼저 확인하고 선택하는 게 순서입니다.