문서 파싱
문서 파싱(document parsing)은 PDF, 스캔본, 슬라이드, 스프레드시트 같은 파일을 소프트웨어가 쓸 수 있는 구조화된 텍스트로 바꾸는 작업입니다. 평평한 문자열이 아니라 제목, 읽는 순서, 표, 이미지를 유지합니다.
다른 이름: PDF parsing, document AI
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
대부분의 업무 지식은 깨끗한 텍스트가 아니라 PDF와 오피스 파일에 있습니다. 모델이 이를 검색하거나 이에 대한 질문에 답하려면, 먼저 무언가가 각 페이지를 구조가 유지된 텍스트로 바꿔야 합니다. 그것이 문서 파싱이며, 그 품질이 그 위에 만든 모든 검색 증강 생성 시스템의 상한을 정합니다.
작동 방식
파서는 먼저 파일에 이미 들어 있는 텍스트를 읽습니다. 스캔한 페이지에는 광학 문자 인식을 실행합니다. 그다음 레이아웃 분석으로 제목, 문단, 그림, 각주를 찾아 읽는 순서대로 놓고, 표 추출로 행과 셀을 다시 만듭니다. 출력은 보통 이 구조를 유지한 Markdown이나 JSON이며, 바로 청킹할 수 있습니다.
도구에는 두 계열이 있습니다. Docling과 Marker 같은 파이프라인 파서는 레이아웃, OCR, 표를 위한 전문 모델을 연결합니다. 더 새로운 파서는 페이지 이미지를 비전 언어 모델에 보내 내용을 적어 달라고 합니다. LlamaParse와 Reducto 같은 호스팅 API는 두 방식 중 하나를 서비스로 제공합니다.
한계
다단 레이아웃, 회전된 스캔본, 손글씨, 차트, 여러 페이지에 걸친 표는 여전히 파서를 곤란하게 합니다. 비전 모델 파서는 페이지에 없는 텍스트를 지어낼 수도 있는데, 이는 환각의 한 형태입니다. 아카이브 전체를 색인하기 전에 자신의 문서 표본으로 출력을 원본과 대조하십시오. 문서 파싱 가이드에서 선택지를 비교합니다.
관련 용어
- 광학 문자 인식(OCR)
- 광학 문자 인식(optical character recognition, OCR)은 스캔한 페이지, 사진, 스크린샷 같은 이미지에서 텍스트를 읽어, 검색하거나 복사하거나 모델에 넣을 수 있는 기계 판독 문자로 바꾸는 소프트웨어입니다.
- 비전 언어 모델(Vision-language model)
- 비전 언어 모델(vision-language model, VLM)은 이미지와 텍스트를 입력으로 받아 텍스트를 내놓는 모델로, 그림을 설명하고, 그림에 관한 질문에 답하고, 문서를 읽고, 스크린샷에서 데이터를 추출할 수 있습니다.
- 레이아웃 분석
- 레이아웃 분석(layout analysis)은 문서 파싱의 한 부분으로, 페이지에서 제목, 문단, 표, 그림, 캡션, 바닥글 같은 영역을 찾아 각각에 레이블을 붙이고, 사람이 읽는 순서를 알아냅니다.
- 표 추출(Table extraction)
- 표 추출(table extraction)은 문서에서 표를 찾아 그 행, 열, 머리글, 셀을 흩어진 텍스트 줄이 아니라 HTML, Markdown, CSV 같은 구조화된 데이터로 다시 만드는 작업입니다.
- 청킹
- 청킹(chunking)은 긴 문서를 임베딩하고 색인하기 전에 더 작은 구절로 나누는 단계로, 검색 시스템이 문서 가운데 질의에 답하는 부분만 찾아 돌려줄 수 있게 합니다.