스캔 PDF OCR이 안 될 때, AI 파싱으로 추출 정확도 높이기
OCR로 문서를 추출했을 때 표 구조가 사라지거나 다단 보고서의 읽기 순서가 뒤섞여 시스템에서 활용하지 못한 경험이 있으신가요? 사내 문서는 빠르게 쌓이지만 자동화 파이프라인의 초기 단계인 문서 추출 과정에서 처리가 지연되는 경우가 많습니다. 이 글에서는 기존 OCR의 구조적 한계부터 AI 파싱(parsing)까지 문서 전처리의 핵심을 정리합니다.
왜 기존 OCR로는 스캔 문서 파싱에 한계가 있을까?
스캔 문서가 업무 자동화 초기 단계에서 자주 지연되는 이유는 기존 OCR이 글자 모양은 인식해도 문서 구조는 인식하지 못하기 때문입니다. 다단 레이아웃이나 표에서는 읽는 순서와 행·열 구조가 손상되어, 글자를 정확히 인식하고도 업무에 바로 쓸 수 없습니다.
OCR이란? 일상부터 회사 업무까지 OCR 실무 활용 사례
OCR(Optical Character Recognition, 광학 문자 인식)은 이미지나 스캔 문서 속 글자를 컴퓨터가 읽고 편집·검색할 수 있는 텍스트로 변환하는 기술입니다.
일상에서도 OCR은 이미 널리 사용되고 있습니다. 은행 앱에 가입하면서 비대면 본인 인증을 진행하신 경험이 한 번쯤 있으실 것입니다. 신분증을 촬영하면 이름·주민번호가 자동으로 채워지는 본인 인증이 대표적인 OCR 활용 사례입니다. 이외에도 기업 환경에서는 영수증·거래명세서를 스캔해 회계 시스템에 자동 입력하거나, 계약서를 디지털로 전환해 검색 가능한 상태로 보관하는 데 씁니다.
👉 OCR의 기본 개념이 더 궁금하다면? [OCR이란? AI OCR 문서 자동화 가이드] 에서 확인할 수 있습니다.
기업 업무 자동화 트렌드와 비정형 문서 처리의 병목
많은 기업이 AX(AI Transformation)를 추진하며 RPA(Robotic Process Automation, 로보틱 프로세스 자동화), 문서 자동화, AI 기반 업무 시스템을 도입하고 있습니다
그러나 실제 현장에서는 자동화 도구를 도입하더라도 비정형 문서를 시스템이 처리할 수 있는 데이터로 변환하는 추출 단계에서 병목이 발생하는 경우가 많습니다.
기업 업무에 투입되는 데이터는 문서, 이미지, 스캔 PDF처럼 구조가 일정하지 않은 비정형 데이터인 경우가 많습니다. VentureBeat는 2025년 글로벌 데이터스피어의 약 80%가 비정형 데이터가 될 것으로 전망한 보고서를 소개한 바 있습니다.
이런 환경에서는 복사기나 팩스로 생성된 이미지 기반 PDF, 텍스트 레이어가 없는 스캔 문서처럼 시스템이 바로 읽기 어려운 문서가 자동화의 병목이 될 수 있습니다.
문서에서 필요한 정보를 안정적으로 추출하지 못하면 이후 RPA, 문서 자동화, AI 검색·분석 단계에서도 수작업 확인이 반복될 가능성이 높습니다.
OCR의 작동 원리와 단순 텍스트 추출의 기술적 한계
OCR은 인식률이 높을수록 좋다고 알려져 있지만, 업무 자동화에서 더 중요한 것은 원본 구조를 지키는 정합성입니다.
OCR은 이미지 전처리(기울기·노이즈 보정) → 문자 인식(패턴 매칭·특징 추출) → 후처리를 거쳐 텍스트 데이터를 추출합니다.
하지만 문서 자동화에서는 글자를 읽는 것만으로 충분하지 않습니다. 좌우 2단 보고서를 추출하면 양쪽 글이 뒤섞이고, 표는 행·열 기준이 사라져 숫자가 의미 없이 나열됩니다. 이 한계는 최근 흐름과 맞물려 더 커지고 있습니다. 사내 문서를 외부로 보내지 않고 자체 환경에서 LLM이나 RAG를 구축하려는 수요가 늘면서, 그 앞단인 AI OCR과 문서 파싱의 중요성도 커졌습니다.
사내 문서 자동화 정확도의 핵심, AI 파싱이란?
AI 파싱은 단순 텍스트 추출과 달리, 문단·표·이미지 같은 문서 객체를 분석해 원본 구조를 보존한 데이터로 재구성하는 기술입니다. 사내 문서 자동화의 정확도는 추출 방식이 아니라 구조를 얼마나 지키느냐에서 갈립니다.
단순 텍스트 추출 방식이 가진 스캔 PDF 변환의 한계점
원인은 PDF가 만들어지는 방식의 차이에 있습니다. 처음부터 전자문서로 생성된 PDF는 텍스트 객체와 이미지, 도형 정보가 함께 저장되어 검색과 복사가 가능한 경우가 많습니다. 반면 팩스나 복사기로 만든 스캔 PDF는 페이지가 하나의 이미지로 저장되어, 텍스트 정보가 포함되지 않는 경우가 많습니다.
이 경우 시스템은 문서를 텍스트가 담긴 파일이 아니라 이미지 파일처럼 처리해야 합니다. 글자 위치, 읽기 순서, 표의 행과 열 구조도 원본 데이터로 제공되지 않기 때문에 OCR과 레이아웃 분석을 통해 다시 추정해야 합니다. 표와 차트가 섞인 문서일수록 이 과정에서 추출 오류가 발생할 가능성이 커집니다.
단순 텍스트 추출 시 한계점
- 텍스트 깨짐 현상: 스캔 품질·해상도에 따라 자음·모음이 분리되거나 오탈자가 다수 발생합니다.
- 레이아웃 밀림 현상: 다단 보고서나 줄글을 추출하면 좌단·우단 경계가 무너져 한 줄로 길게 이어집니다.
- 표 데이터 왜곡: 표 안 숫자가 행·열 구분 없이 한 줄로 이어져, 어떤 숫자가 어떤 항목의 값인지 연결이 끊깁니다.
AI 파싱이란, 단순 텍스트 추출과 다른 문서 구조 보존형 파서(Parser)
AI 파싱이란 글자만 추출하는 데 그치지 않고 문단·표·이미지의 구조와 관계까지 분석해 데이터로 재구성하는 기술입니다. 단순 텍스트 추출은 문자 정보만 추출하지만, AI 파싱은 병합된 표까지 의미 단위로 분리해 원본 구조를 살릴 수 있습니다.
표 구조가 손실된 상태로 임베딩하면, 표 제목과 수치 데이터의 연결이 끊겨 LLM이 어떤 항목을 설명하는 값인지 구분하기 어려워집니다. 관계없는 텍스트가 같은 벡터 공간에 뭉쳐 검색 품질이 떨어지고, 답변 정확도도 낮아집니다. RAG·LLM 파이프라인에 바로 투입할 수 있는 데이터를 만들려면 구조 보존이 전제되어야 합니다. 한컴 데이터 로더는 이 전처리를 솔루션으로 구현한 제품입니다.
*출처: Microsoft Azure,「Document layout analysis」
*출처: Google Cloud,「Enterprise Document OCR」
문서 구조 분석(DLA)과 표 구조 인식(TSR) 기술
AI 파싱이 문서 구조를 읽는 두 축이 문서 구조 분석(DLA, Document Layout Analysis)과 표 구조 인식(TSR, Table Structure Recognition)입니다. DLA가 페이지 전체의 골격을 잡는다면, TSR은 그 안에서 가장 까다로운 표 내부 구조를 복원합니다.
DLA는 AI 딥러닝 기술을 활용해 문서 내 텍스트·이미지·표·그래픽 등 다양한 요소를 구분하고, 각 요소의 위치와 역할을 정확히 파악하는 구조 분석 기술입니다. 어느 영역이 제목이고 본문인지, 다단 레이아웃에서 읽기 순서는 어떻게 되는지까지 분석합니다. 추출된 위계 정보는 RAG 파이프라인에서 의미 단위 청킹의 기준이 되어 검색 정확도 향상으로 이어집니다.
TSR은 이미지 속 표를 기계가 읽을 수 있는 구조화 데이터로 변환하는 기술입니다. 셀 간 관계를 파악해 행·열 구조를 복원하고, 테두리 없는 표·병합 셀·표 안의 표처럼 복잡한 표 구조도 인식할 수 있습니다. 변환된 데이터는 셀·행·열 단위로 마크다운·JSON·HTML 형식으로 출력되어 별도 후처리 없이 바로 활용할 수 있습니다.
데이터 정합성을 위한 구조화 데이터
추출한 데이터가 시스템에서 실제로 쓰이려면 기계가 읽을 수 있게 정돈되고, 의미 단위로 나뉘어야 합니다.
자동화 파이프라인 연동을 위한 정형·반정형 데이터 가공
비정형 서류를 업무 시스템에 연동하려면 먼저 기계가 읽을 수 있는 정형·반정형 데이터로 가공해야 합니다. 사람에게는 문서의 위치와 맥락이 눈에 보이지만, 시스템은 항목명, 값, 표 구조, 문단 계층처럼 명확하게 분리된 데이터가 있어야 후속 처리를 이어갈 수 있습니다.
데이터는 정돈 정도에 따라 정형, 반정형, 비정형으로 나눌 수 있습니다. 정형 데이터는 표나 데이터베이스처럼 행과 열이 정해진 형태이고, 반정형 데이터는 JSON·HTML처럼 일정한 형식 표지가 있는 형태입니다. 반면 비정형 데이터는 줄글, 이미지, 스캔 문서처럼 고정된 틀이 없는 형태에 가깝습니다.
문서 추출 결과를 JSON·CSV·HTML·마크다운으로 변환하면 다른 시스템의 입력 데이터로 활용하기 쉬워집니다. 특히 RPA, 문서 자동화, RAG 파이프라인에서는 추출 결과가 일정한 구조를 가져야 검색·분석·후속 연동 과정에서 오류를 줄일 수 있습니다.
👉 HWP·HWPX, PDF, OOXML 등 포맷별 처리 범위가 궁금하다면 [데이터 로더 시작 가이드]에서 지원 포맷과 연동 방식을 함께 확인해 보십시오.
출처: AWS,「What is Intelligent Document Processing」
정보 손실을 방지하는 의미 단위 분리
문서를 일정한 글자 수나 바이트(Byte) 기준으로 자르면 처리 속도는 빨라 보일 수 있습니다. 하지만 실제 업무 문서에서는 문장, 표, 섹션이 중간에 끊기면서 검색에 활용하기 어려울 수 있습니다.
| 구분 | 한계 |
| 글자 수 기준 | 문장이나 표가 중간에 끊길 수 있습니다. |
| 토큰 수 기준 | LLM 입력 길이는 맞지만 의미 단위가 분리될 수 있습니다. |
| 의미 단위 기준 | 제목, 본문, 표의 관계를 유지해 검색 맥락을 살릴 수 있습니다. |
RAG 파이프라인에서는 chunk_size처럼 길이 기준을 설정하더라도, 제목과 본문, 표와 설명 문장처럼 의미가 이어지는 구조를 함께 고려해야 합니다. 청크가 맥락을 잃으면 검색 결과의 정합성이 떨어지고, LLM이 불완전한 근거를 바탕으로 답변할 가능성도 높아집니다.
청킹 품질은 답변 품질에도 직접 영향을 줍니다. LLM이 불완전한 청크만 근거로 받으면 문서의 의도를 잘못 해석하거나, 사실과 다른 답변을 생성할 가능성이 높아집니다. 따라서 RAG 전처리에서는 텍스트를 얼마나 잘게 나누는지보다, 검색 가능한 의미 단위로 얼마나 정확하게 나누는지가 중요합니다.
우리 회사 업무 환경에 맞는 문서 전처리 기술 단계
문서를 검색 가능한 텍스트로 바꾸는 것이 목적이라면 OCR로 충분합니다. 그러나 표 구조·계층 정보·의미 단위를 보존해 RAG 파이프라인이나 AI 학습 데이터에 바로 투입할 수 있는 상태로 만들려면, 문서 구조를 읽는 AI 파싱이 필요합니다.
문서 형태 및 데이터 활용 목적별 전처리 솔루션 비교표
OCR은 이미지 속 글자를 인식해 텍스트로 변환합니다. AI 파싱은 컴퓨터 비전과 자연어 처리를 활용해 레이아웃 구조와 읽기 순서까지 처리합니다.
OCR과 AI 파싱, 항목별 상세 비교
| 비교 항목 | OCR | AI 파싱(문서 구조 분석) |
| 처리 대상 | 이미지 속 글자(문자) 형태 | 문단·표·이미지 등 문서 객체 전체 |
| 작동 방식 | 글자를 인식해 줄글로 나열 | 레이아웃 분석·표 구조 인식으로 구조 재구성 |
| 표 처리 | 행·열 구분 없이 텍스트가 흩어짐 | 병합 셀·다단 헤더까지 구조 복원 |
| 읽는 순서 | 다단 문서에서 좌우가 뒤섞이기 쉬움 | 단·계층을 인식해 원본 순서 유지 |
| 출력 형식 | 평문 텍스트 | JSON·HTML·마크다운 등 구조화 데이터 |
| 의미 단위 보존 | 보존하지 않음 | 제목·문단·표 단위로 보존 |
| 적합 문서 | 표가 거의 없는 단순 문서 | 보고서·매뉴얼·논문 등 표·이미지 혼재 비정형 문서 |
| 활용 목적 | 단순 텍스트 디지털화 | RAG 구축·AI 학습 데이터 정제 |
단순 문서를 텍스트로 바꾸는 데는 OCR로 충분합니다. 표·이미지가 섞인 보고서나 계약서를 RAG 파이프라인에 투입하거나 AI 학습 데이터로 정제하려면, 텍스트·표·이미지의 위치와 논리적 역할까지 구분하는 문서 구조 분석이 전제되어야 합니다.
정확한 기업 업무 자동화의 시작, 한컴 데이터 로더
한컴 데이터 로더는 HWP·HWPX·PDF·OOXML 문서를 AI가 활용할 수 있는 구조화 데이터로 전환하는 문서 구조 분석 솔루션입니다.
비정형·반정형 데이터를 AI 친화적 메타데이터로 변환하는 한컴 데이터 로더
한컴 데이터 로더는 DLA·OCR·TSR을 하나의 파이프라인에 내재화했습니다. 텍스트·표·이미지·스캔본을 한 번에 처리해 기능을 따로 연결할 때 생기는 오류를 줄입니다. 테두리 없는 표와 병합 셀도 셀 단위로 인식해 표 구조를 그대로 보존합니다.
국내 업무 문서에서 비중이 높은 HWP·HWPX도 PDF 변환 없이 원본을 직접 파싱합니다. PDF는 DLA·TSR·OCR을 적용해 레이아웃과 표 구조를 유지한 상태로 JSON·CSV·HTML 형식으로 전환합니다. API SaaS 형태로 편리하게 사용 가능하고, 온프레미스(On-Premise) 환경에서 컨테이너 기반 REST API 형태로 내부망에 직접 구축할 수 있습니다. 이를 통해 문서 외부 전송이 엄격히 제한되는 공공·금융·법무 기관에서도 자체 RAG·LLM 파이프라인의 전처리 모듈로 안전하게 활용할 수 있습니다.
🖥️한컴 데이터 로더
DLA·OCR·TSR을 하나의 파이프라인으로 통합해, HWP·HWPX·PDF·OOXML 문서를 AI가 바로 활용할 수 있는 구조화 데이터로 전환합니다. 단순 텍스트 추출을 넘어 표 구조와 문단 계층까지 보존하며, 추출한 데이터는 한컴피디아와 연계해 RAG 검색·답변 생성까지 이어갈 수 있습니다. 스캔 문서부터 AI 파싱까지, 한컴 데이터 로더로 문서 전처리를 시작해 보십시오.
참고자료
- IBM, 「광학 문자 인식(OCR)이란 무엇인가요?」
- AWS, 「OCR이란 무엇인가요?」
- Microsoft Azure, 「Document layout analysis」
- NVIDIA Developer, 「정보 검색을 위한 PDF 데이터 추출 접근법」
- Unstructured, 「Chunking」
