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.
다른 이름: table structure recognition, table detection
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
가 격, 사양, 재무 실적, 시험 데이터는 대개 표에 들어 있습니다. 단순한 텍스트 추출기는 표를 머리글과의 연결이 끊긴 숫자 나열로 납작하게 만들어 버리므로, "3분기 매출은 얼마였나?"라는 질문을 받은 모델은 어느 숫자가 어느 열에 속하는지 알 수 없습니다. 표 추출은 그 구조를 유지하며, 그래서 문서 파싱에서 더 어렵고 더 가치 있는 부분 중 하나입니다.
작동 방식
작업은 보통 셋으로 나뉩니다. 표 탐지는 페이지에서 표가 어디 있는지 찾으며, 흔히 레이아웃 분석의 일부입니다. 구조 인식은 각 표 안의 행, 열, 병합된 셀을 찾습니다. 기능 분석은 어느 셀이 머리글인지 식별합니다. 학습 데이터가 중요합니다. 과학 논문에서 모은 거의 백만 개의 표로 이루어진 데이터셋 PubTables-1M은, 이것으로 학습한 트랜스포머 기반 객체 탐지 모델이 세 작업 모두를 잘 처리한다는 것을 보여 주었습니다. 셀 텍스트는 PDF 텍스트 레이어나 OCR에서 얻습니다.
예시
연례 보고서에 머리글이 두 행에 걸쳐 있고 첫 열이 항목을 지역별로 묶는 표가 있다고 합시다. 좋은 추출은 병합된 머리글 셀과 지역 묶음을 그대로 유지한 HTML 표를 출력하므로, 각 숫자를 해당 행과 열까지 추적할 수 있습니다. 이 출력은 통째로 저장할 수 있어, 청킹이 표를 여러 청크로 쪼개지 않습니다.
한계
괘선이 없는 표, 여러 페이지에 걸쳐 이어지는 표, 중첩된 표, 표처럼 보이는 차트는 여전히 흔한 실패 사례입니다. 보고서에 쓰기 전에 추출한 숫자를 원본과 대조하십시오.
관련 용어
- 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.
- 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.
- 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.
- 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.
- 구조화된 출력(Structured output)
- 구조화된 출력(structured output)은 언어 모델의 응답이 직접 정의한 형식, 보통 JSON schema를 따르게 하는 API 기능입니다. 그래서 코드가 자유 텍스트를 긁어내는 대신 응답을 안정적으로 파싱할 수 있습니다.