RAG 전처리 HWP·HWPX 파싱 – 행정문서 표 구조를 살리는 파서 고르는 법

HANCOM 2026.08.12

HWP·HWPX 데이터 추출은 공공기관 문서를 AI가 활용할 수 있는 데이터로 변환하는 첫 단계입니다. 행정안전부는 2026년 5월 18일부터 중앙·지방 온나라시스템에서 HWP 첨부를 제한하고 HWPX 사용을 의무화했고, 기획재정부도 공공기관 경영평가에 AI 활용 실적을 반영하기로 하면서 행정문서를 데이터로 바꾸려는 수요가 빠르게 늘고 있습니다.

그런데 문서 AI 파이프라인에 HWP·HWPX 문서를 넣어 보면 본문은 어느 정도 추출되더라도 표가 손상되는 경우가 많습니다. 이 글에서는 HWP·HWPX 표 데이터 추출이 어려운 이유부터 파서 선택 기준, 표 구조를 보존하는 파싱 방식, 실제 공공기관 문서로 확인하는 파싱 결과까지 RAG 전처리 관점에서 정리합니다.

AI 행정문서 자동화, 표 데이터 처리에서 지속적으로 오류가 발생하는 이유

HWP·HWPX 행정문서를 RAG 파이프라인에 연결하다 보면 텍스트는 추출되어도 표에서 오류가 반복적으로 발생합니다. 행·열 구조가 손상된 채 추출되면 수치와 항목명의 대응 관계가 어긋나고 벡터DB에 저장된 뒤에는 관련 없는 값이 검색 결과에 포함됩니다. 공공기관 문서는 예산서·현황보고서·지원사업 공고처럼 표 중심 문서가 대부분이라, 표 하나의 구조가 잘못 추출되면 문서 전체의 데이터 신뢰도에 영향을 줄 수 있습니다.

행정문서 RAG 전처리 시 문제의 원인은 주로 LLM이나 검색 모델이 아니라, 그 앞 단계인 표 데이터 추출에서 발생합니다. 표에서 유독 오류가 많이 발생하는 이유는 다음과 같습니다.

AI가 HWP·HWPX 행정문서 표를 제대로 읽지 못하는 이유

표 처리 방식, 복잡한 셀 병합으로 인한 위치 오류, 그리고 오랜 기간 축적된 행정문서 특유의 작성 방식 때문에 AI는 표를 한 번에 정확히 인식하기 어렵습니다.

LLM 인식의 한계 표 구조 손실

LLM은 표를 행·열 구조 그대로 이해하기보다, 순차적인 텍스트 형태로 변환해 처리하는 경우가 많습니다. 이 과정에서 셀의 위치나 헤더와 값의 관계가 약해질 수 있습니다.

사람은 표를 볼 때 왼쪽 항목과 오른쪽 수치, 위쪽 헤더와 아래쪽 값을 한눈에 연결해서 읽습니다.

예를 들어 지원 대상 항목에 청년 창업자가 있고 같은 행의 지원 금액 항목에 50억 원이 있다면, 사람은 자연스럽게 청년 창업자 대상 지원 금액은 50억 원이라고 이해합니다.

하지만 이 표가 지원 대상 지원 금액 청년 창업자 50억처럼 한 줄 텍스트로 바뀌면 어떤 값이 어떤 항목에 연결되는지 불명확해집니다.

원본 표 구조		표 인식 후
지원 대상	지원 금액	지원 대상 지원금액 청년창업자 50억
청년 창업자	50억	지원 대상 지원금액 청년창업자 50억

실제로 대형 언어 모델의 표 이해를 분석한 연구는 표를 선형화하면 고유한 구조적·관계적 정보가 손실되어, 특정 셀을 정확하게 식별하거나 복잡한 통계를 처리하기 어려워질 수 있다고 설명합니다. 같은 내용을 포함한 표라도 구조가 조금만 바뀌면 모델 성능이 눈에 띄게 낮아진다는 점도 함께 관찰됐습니다.

복잡한 셀 병합과 레이아웃으로 인한 위치 데이터 손실

한국 행정문서에서 자주 보이는 병합 셀과 표 안의 표 구조는 단순 텍스트 추출만으로 처리하기 어렵습니다. 표는 칸 안의 글자만 중요한 것이 아니라, 어떤 항목과 어떤 수치가 같은 행·열에 연결되어 있는지가 함께 보존되어야 하기 때문입니다.

예를 들어 지원 대상, 지원 조건, 지원 금액이 하나의 표 안에 들어 있는 경우 셀 위치와 병합 관계가 손상되면 금액은 추출되더라도 그 금액이 어떤 조건에 해당하는지 알기 어려워집니다.

문서 파싱 연구에서는 표 인식이 단순히 표 영역을 찾는 작업에 그치지 않고 행·열 분할, 셀 내용 추출, 셀 간 관계 해석까지 포함하는 작업이라고 설명합니다.

즉, 표 데이터 추출 시 그 텍스트가 어느 셀에 있었고, 어떤 행·열 맥락에 속했는지를 함께 유지하는 것이 중요하다는 뜻입니다.

연결 정보가 없는 상태로 추출되면 표 안의 값은 남아 있어도 어떤 항목에 연결된 수치인지 판단하기 어려워집니다. 이후 RAG 파이프라인에서 다음 단계로 이어질 때도 잘못 구조화된 데이터가 그대로 활용될 수 있습니다. 이로 인해 AI가 표 기반 질문에 답할 때 필요한 근거를 제대로 찾지 못하거나 항목과 수치를 잘못 연결할 가능성이 커집니다.

행정문서 파싱이 복잡한 이유 – 수십 년간 쌓인 버전 파편화와 비표준 개체

행정문서는 오랜 기간 다양한 버전으로 작성되어 온 만큼 같은 폴더 안에서도 문서마다 구조가 달라 범용 파서로 일괄 처리하기 어렵습니다.

한/글은 1997년 이전까지 HWP3.0 포맷을, 그 이후 버전인 한글2002부터 한글2024까지는 HWP5.0 포맷을 사용합니다. 같은 포맷 세대 안에서는 인코딩 방식과 수식 표현 방식이 동일하지만, HWP3.0과 HWP5.0은 내부 구조 자체가 다른 포맷이기 때문에 두 세대가 섞인 폴더를 범용 파서 하나로 처리하면 포맷을 인식하지 못해 오류나 데이터 누락이 발생할 수 있습니다.

비표준 개체도 중요한 변수입니다. 공문 특유의 특수문자(■, ○, ⑤)나 직인 이미지, 한글 전용 수식 같은 요소를 범용 파서가 의미 없는 데이터로 처리할 수 있습니다. 이런 환경에서는 파일을 읽어 들이는 수준을 넘어서는, 문서의 구조를 이해하고 보정하는 파서가 필요합니다.

HWP·HWPX 표 추출을 위한 데이터 파서 고르는 법

표 구조를 보존할 수 있는 파서인지 판단하는 기준은 네 가지입니다. HWP·HWPX 원본을 직접 읽는지, 문서 레이아웃을 분석하는지, 표 구조를 인식하는지, 결과를 RAG에 바로 활용할 수 있는 형태로 내보내는지 여부입니다.

HWP·HWPX 포맷을 직접 읽을 수 있는가

글로벌 오픈소스 파서 상당수는 HWP·HWPX처럼 국내 문서 환경에서 많이 쓰이는 포맷을 정식 지원 범위에 포함하지 않거나, 지원하더라도 텍스트 추출 중심으로 처리되는 경우가 많습니다.

특히 한국 공문서처럼 표, 글머리표, 들여쓰기, 다단 구성, 이미지가 함께 포함된 문서는 단순 텍스트 추출만으로 원본의 문서 구조를 온전히 보존하기 어렵습니다.

HWP·HWPX 파일을 RAG 파이프라인이나 AI 검색에 활용하려면 파일 내부의 문단 계층, 표의 셀 구조, 이미지 참조, 읽기 순서까지 함께 해석할 수 있어야 합니다.

DLA로 표의 위치와 맥락을 인식하는가

DLA(Document Layout Analysis, 문서 구조 분석)는 문서 속 텍스트·이미지·표·그래픽 요소를 구분하고 각 요소의 위치와 관계를 파악하는 기술로, 이 단계가 없으면 표 제목과 표 데이터가 분리되어 맥락 파악이 어려워집니다.

DLA는 세분화된 기준으로 문서 내 객체를 분류하기 때문에, 표와 이미지가 인접한 경우에도 각 영역을 구분해 인식할 수 있으며 글머리표·들여쓰기 목록형 텍스트까지 별도 카테고리로 인식합니다.

TSR로 행·열 관계를 보존하는가

TSR(Table Structure Recognition, 표 구조 인식)은 표를 구성하는 셀을 식별하고, 각 셀의 행·열 위치와 병합 관계를 분석해 표를 구조적으로 파악하는 기술입니다. 이 기능이 없다면 표의 구조가 손실된 채 텍스트만 남아 데이터의 의미를 정확히 파악하기 어렵습니다.

표 구조 인식은 일반적인 격자형 표뿐만 아니라 테두리가 없는 표, 병합 셀, 표 안의 표(중첩 표) 등 다양한 형태의 표를 인식합니다. 이렇게 인식한 표는 셀·행·열 단위로 마크다운(Markdown)으로 변환하거나, 목적에 맞게 JSON·HTML 등 구조화 데이터 형태로 출력할 수 있어 RAG 전처리와 청킹 단계에서 바로 활용할 수 있습니다.

JSON 구조화 출력으로 RAG에 바로 연결되는가

표 구조 인식으로 복원한 행·열 관계는 JSON, Markdown, HTML table처럼 구조를 표현할 수 있는 형태로 출력될 때 RAG 파이프라인에서 더 안정적으로 활용할 수 있습니다. 이를 위해서는 표의 헤더, 행·열 관계, 병합 셀, 셀 값의 위치와 같은 구조 정보가 출력 결과에 함께 보존되어야 합니다.

예를 들어 표가 ‘항목-값’ 형태로 정리되면, ‘A 항목의 값은 B’라는 관계가 검색 단계에서도 비교적 명확하게 남을 수 있습니다.

따라서 도입 전에는 실제 업무 문서 샘플로 표, 문단 계층, 이미지 참조가 어떤 형태로 출력되는지 직접 확인하는 것이 좋습니다.

HWP·HWPX 표 구조를 손실 없이 파싱하는 방법, 한컴 데이터 로더

한컴 데이터 로더는 HWP·HWPX·PDF·OOXML을 구조화 데이터로 전환하는 문서 파싱(Document Parsing) 솔루션으로 표 중심 행정문서 전처리에 안정적으로 활용할 수 있습니다.

✅ HWP·HWPX를 개발한 한컴이 직접 만든 파서로, 파일 구조를 직접 읽습니다.

✅ HWP·HWPX는 PDF로 변환하지 않고 원본을 직접 파싱하므로, 변환 단계에서 생기는 구조 손실을 피할 수 있습니다.

✅ DLA로 표의 위치와 제목·캡션 맥락을 인식합니다.

✅ TSR로 병합 셀과 다단 헤더의 행·열 관계를 구조화합니다.

✅ 추출 결과를 JSON으로 내보내 RAG 파이프라인에 바로 연결할 수 있습니다.

*출처: 한컴 데이터 로더

💡 HWP·HWPX 문서의 표가 실제로 어떻게 구조화되는지 결과부터 보고 싶다면, 라이브 데모에서 직접 확인할 수 있습니다.

👉 한컴 데이터 로더, 라이브 데모 사용하러 가기

공공기관 지원사업 문서로 살펴보는 HWP·HWPX 표 파싱 과정

공공기관 공고문의 표 구조 특성

지원사업 공고문은 지원 조건·지원 내용·지원 대상이 병합 셀과 중첩 표로 복잡하게 구성되어 있어 범용 파서로 추출하면 행·열 관계가 가장 먼저 손상되는 문서입니다. 한 셀이 여러 행을 가로지르거나, 표 안에 작은 표가 들어 있는 구조가 자주 나타납니다.

이런 문서는 셀 병합과 다단 레이아웃이 많아 파싱 난도가 높은 대표적인 유형입니다. HWP·HWPX를 직접 읽지 못하는 파서로 전처리하면 지원 금액이 관련 없는 항목에 연결되거나 조건과 대상의 대응 관계가 어긋나 데이터로서의 활용 가치가 낮아집니다.

한컴 데이터 로더 파싱 결과 – JSON 구조로 보존된 표 데이터

같은 공고문을 원본 파일 기준으로 직접 파싱하면 표, 셀, 텍스트 같은 객체가 종류별로 구분되고, 각 객체의 위치 정보와 함께 JSON 계층 구조로 출력됩니다.

표 객체 안에 셀 정보가 들어 있고 셀 안에 텍스트가 포함되는 구조이기 때문에 병합 셀이 포함된 복잡한 표에서도 행·열 관계를 유지할 수 있습니다.
이를 통해 어떤 값이 어떤 항목에 속하는지 데이터 구조 안에서 확인할 수 있습니다.

이렇게 정리된 JSON은 RAG 청킹 단위로 바로 활용할 수 있습니다. 표 한 칸의 값이 어떤 항목의 어떤 조건에 대한 값인지를 유지한 채 검색되기 때문에 AI가 표 기반 질문에도 정확한 근거를 찾아 답할 수 있습니다. 다만 JSON 구조화 출력이 가능한 포맷과 텍스트 추출 중심으로 처리되는 포맷이 다르므로, 대상 문서의 포맷을 먼저 확인하는 것이 좋습니다.

HWP·HWPX 데이터 추출, 자주 묻는 질문 FAQ

Q1. 대량 HWP 행정문서를 벡터DB에 색인하려면 어떻게 전처리해야 하나요?

원본을 직접 파싱해 표·계층 구조를 보존한 뒤 JSON으로 구조화하고, 그 단위로 청킹해 임베딩합니다. 표가 손상된 채 색인되면 이후 검색 정확도를 회복하기 어렵습니다.

Q2. HWP를 PDF로 변환하면 표 구조가 손실되는데, RAG 성능에 영향을 주나요?

HWP·HWPX 포맷을 PDF로 변환하는 과정에서 표가 이미지처럼 처리되거나 계층 구조가 손실되면 영향이 청킹·검색까지 이어지기 때문에, 표·각주·계층을 보존하려면 원본을 직접 파싱하는 편이 안정적입니다.

Q3. 표 구조를 살려서 임베딩 전처리 하는 방법이 뭔가요?

TSR로 행·열 관계를 복원해 JSON 같은 구조화 데이터로 내보낸 뒤 임베딩합니다. 행·열 관계가 데이터에 남아 있어야 AI가 표의 값을 올바른 맥락으로 검색합니다.

🖥️한컴 데이터 로더

한컴 데이터 로더는 HWP·HWPX 원본을 직접 파싱해 병합 셀·중첩 표까지 행·열 관계를 그대로 보존해 구조화 데이터로 추출하는 문서 파싱 솔루션입니다. 추출된 데이터는 자사 RAG 솔루션 한컴피디아와 연계해 문서 수집부터 검색·답변까지 한컴 단일 스택으로 구축할 수 있습니다. 표가 손상되지 않는 문서 전처리, 한컴 데이터 로더로 시작할 수 있습니다.