HWP 파일 파싱 가이드 | PDF 변환 없이 직접 파싱하면 RAG 성능이 달라지는 이유

HWP 파일 파싱은 공공 AI 시스템의 핵심 전처리 단계로 빠르게 부상하고 있습니다. 행정안전부는 중앙부처에 이어 지방자치단체까지 AI가 읽고 활용할 수 있는 개방형 문서 형식 사용을 의무화하는 개정안을 국무회의에서 통과시켰고, 2026년 5월 18일부터 지방자치단체 온나라 문서시스템까지 HWPX 기반 개방형 문서 체계가 확대 적용됐습니다. 

공공 문서의 중심이 HWPX로 빠르게 이동하는 지금, HWP·HWPX 파일을 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 파이프라인에서 얼마나 정확하게 파싱하느냐가 AI 답변 품질을 직접 결정합니다.

이 글에서 파싱 방식부터 RAG 성능에 미치는 영향, 솔루션 선택 기준까지 순서대로 정리해드리겠습니다.

HWP 파일 파싱이란 무엇인가요?

HWP 파일 파싱은 HWP·HWPX 문서에서 텍스트·표·이미지·문단 계층을 AI가 읽을 수 있는 구조화 데이터로 변환하는 과정입니다. RAG에서 이 결과물이 청킹·임베딩·검색의 입력값이 되기 때문에, 파싱이 부정확하면 그다음 단계의 정확도도 함께 떨어집니다.

HWP·HWPX 파싱이 어려운 이유는?

HWP·HWPX는 한컴의 자체 포맷이라, PDF·DOCX용 범용 파서로는 구조를 온전히 읽기 어렵습니다. 두 포맷의 내부 구조 방식은 서로 다른데, HWP는 한컴오피스의 오래된 바이너리 기반 포맷이고, HWPX는 2010년 도입돼 2021년부터 기본 저장 형식이 된 ZIP + XML 기반 포맷입니다. 

파서가 두 포맷을 각각 별도로 처리해야 하는 이유가 여기 있습니다. 그러나 두 포맷 모두 범용 파서가 존재하지 않는다는 공통적인 한계가 있어, 글자만 추출하면 표 위치·각주·문단 위계가 사라집니다.

공공 문서처럼 번호 체계와 표가 많은 구조는 이 문제가 더 크게 나타납니다. 오픈소스인 pyhwpx는 Windows에 한/글이 설치된 환경에서만 동작해 리눅스 서버나 폐쇄망에 부적합하고, LangChain 등 주요 LLM 프레임워크에는 표준 HWP·HWPX 로더가 없어 직접 파싱 파이프라인을 구축해야 합니다.

HWP 파일 파싱과 RAG 활용의 연관성은?

RAG는 문서를 파싱·청킹·임베딩·검색·생성 순으로 처리하기 때문에, 파싱 출력물이 이후 모든 단계의 입력값이 되고 파싱 품질이 RAG 성능의 상한선을 결정합니다. AWS는 RAG를 검색·확장·생성 3단계로 설명하는데, 첫 단계인 검색에 들어가는 데이터가 구조화돼 있어야 답변 단계까지 맥락이 이어집니다.

파싱 단계에서 구조 정보가 손실되면 그 영향은 이후 단계까지 연쇄적으로 이어집니다. 잘못 파싱된 문서는 청킹 경계가 어긋나고, 이렇게 생성된 청크는 임베딩과 검색 정확도까지 떨어뜨릴 수 있습니다. 

입력이 부실하면 출력도 부실해지는 ‘Garbage In, Garbage Out’ 원리가 그대로 적용되기 때문에, 모델을 개선하기에 앞서 파싱 품질을 먼저 점검하는 것이 중요합니다.

HWP 파일 파싱 품질이 RAG 단계에 미치는 영향 정리 표

단계	역할	파싱 영향
파싱	문서를 구조화 데이터로 변환	계층·표 보존 필요
청킹	검색 단위로 분할	의미 단위 경계 결정
임베딩	벡터로 변환	잘못 섞인 청크는 의미 왜곡
검색	관련 근거 탐색	표·조건 누락 시 오답 위험
생성	답변 작성	부정확한 근거는 할루시네이션 유발

HWP 파일 파싱 방법 2가지 비교

HWP·HWPX 파일 파싱 방법은 크게 두 가지입니다. HWP·HWPX를 PDF로 변환한 뒤 처리하는 방식과, 원본 파일에서 직접 데이터를 추출하는 방식입니다. ‘HWP 지원’이라고 표기되어 있어도 실제로는 PDF로 변환한 뒤 처리하는 경우가 있으므로, 처리 방식을 반드시 확인해야 합니다.

HWP 파일 파싱 방식별 비교표

구분	PDF 변환 후 파싱	원본 직접 파싱
처리	HWP→PDF 변환 후 PDF 파싱	HWP·HWPX 구조 직접 분석
구조 보존	계층·표 손실 가능	원본 구조 보존에 유리
표·각주·수식	변환 중 깨지기 쉬움	원본 기준으로 해석
RAG 활용	청킹 경계가 흐려질 수 있음	의미 단위 청킹에 유리
보안	변환 도구 의존 확인 필요	내부망 처리 설계 가능

PDF 변환 후 파싱 방식의 처리 과정과 한계

PDF 변환 후 파싱은 HWP·HWPX를 PDF로 바꾼 뒤 PDF 파서로 텍스트를 추출하는 방식이라, 변환 과정에서 표가 이미지처럼 처리되거나 문단 순서가 바뀔 수 있습니다.

한컴테크의 테스트 결과에 따르면 HWPX에서 직접 추출하는 방식(9.5초) 대비 PDF로 변환한 뒤 추출하는 방식(150.3초)은 약 15.8배 더 많은 시간이 소요됩니다. 속도 차이뿐 아니라 변환 과정에서 표 구조가 완전히 손상되거나 개체·이미지가 누락되는 데이터 손실도 함께 발생합니다.

PDF는 글자의 의미보다 화면에서 글자가 어디에 배치되는지를 중심으로 저장하는 포맷이라, PDF 파싱 도구 비교 연구에서도 단어 순서 유지·문단 무결성·표 추출이 대표적인 난제로 꼽힙니다.

HWP 원본 직접 파싱 방식의 처리 과정

HWP·HWPX 원본 직접 파싱은 PDF 변환 없이 파일의 바이너리·XML 구조를 직접 분석해 데이터를 추출하는 방식입니다. 변환 단계가 없어 계층·표·서식이 그대로 보존되고, 구조 손실이 생기는 지점도 줄어듭니다. 다만 이 방식은 HWP·HWPX 포맷 원천 기술이 있어야 구현할 수 있어, 실제로 원본을 직접 읽는지 반드시 확인이 필요합니다.

HWPX의 경우 여러 파일로 흩어진 본문·설정·메타데이터를 다시 연결해 구조를 복원해야 하는데, 이 방식을 구현하려면 HWP·HWPX 포맷 자체의 원천 기술이 필요합니다. 한컴 데이터 로더는 한컴 30년 기술 기반의 HWP·HWPX SDK로 PDF 변환 없이 원본을 직접 파싱합니다.

HWP 파일 파싱 방식이 RAG 성능에 미치는 영향은?

파싱 방식은 RAG 검색 정확도에 직접 영향을 줍니다. PDF 변환으로 구조가 손상되면 청킹 품질이 떨어지고, 그 손상이 임베딩과 검색 정확도까지 함께 낮추기 때문입니다.

PDF 변환 과정에서 발생하는 구조 손실 유형

PDF 변환 후 파싱의 구조 손실은 계층 구조 소실, 표 구조 붕괴, 이미지·차트 누락 세 가지로 나타나며, 모두 파싱 단계에서 발생해 이후 복구가 어렵습니다.

1. 계층 구조 소실: 제목·조항·하위 항목의 위계가 평탄화돼 청킹 경계가 어긋납니다.
2. 표 구조 붕괴: 병합 셀과 다단 헤더의 행·열 관계가 손상되어 수치·조건이 분산됩니다.
3. 이미지·차트 누락: 텍스트로 변환되지 않은 시각 정보가 검색 범위에서 제외됩니다.

상하이 AI 연구소·북경대 공동 연구팀이 발표한 문서 파싱 서베이 연구에서는 레이아웃 감지, 표·수식 인식 같은 핵심 구성 요소를 체계적으로 정리하고, 이 결과물이 지식베이스 구축이나 RAG 같은 후속 작업의 토대가 된다고 설명합니다. 

파싱 품질이 RAG 검색 정확도를 결정하는 이유

파싱 출력물은 청킹의 입력값이고 청킹 결과는 임베딩의 입력값이라, 파싱 단계에서 구조가 손상되면 잘못된 청크가 벡터DB에 저장되고 검색 단계에서 잘못된 답이 나옵니다.

RAG 연구에서는 구조 인식 파서를 탑재한 시스템이 베이스라인 대비 약 47%의 질문에서 더 나은 답변을 냈고, 38%는 동률, 15%만 열세였다고 보고했습니다. (해당 실험은 ChatDOC 시스템 기반 자체 비교 결과입니다.) 모델이나 임베딩을 교체하기 전에 파싱 구조부터 점검하는 편이 비용 대비 효과가 훨씬 큽니다.

HWP 파일 파싱 솔루션 선택 시 확인해야 할 조건 체크리스트

HWP·HWPX 파일 파싱 솔루션은 네 가지 조건으로 먼저 좁혀야 합니다. 원본 직접 파싱 지원, DLA(Document Layout Analysis, 문서 구조 분석)와 계층 추출, TSR(Table Structure Recognition, 표 구조 인식), 보안 환경 대응입니다.

HWP 파일 파싱 솔루션 선택 체크리스트

✅ HWP·HWPX 원본 직접 파싱을 지원하는가  

✅ DLA와 계층 추출이 가능한가  

✅ TSR이 병합 셀·중첩 표까지 처리하는가  

✅ 내부망에서 문서 외부 전송 없이 처리할 수 있는가

핵심은 ‘파일을 열 수 있는가’가 아니라 ‘표·각주·계층을 얼마나 보존하는가’입니다. 스펙에 ‘HWP 지원’이라고 적혀 있어도 내부적으로 PDF 변환을 거치는 경우가 있어, 네 조건 중 하나라도 빠지면 RAG 전처리 단계에서 병목이 생깁니다. 실제 업무 문서 샘플로 표·계층 보존 수준을 직접 테스트해 보는 것이 가장 확실한 방법입니다.

HWP·HWPX 원본 직접 파싱 지원 여부

‘HWP·HWPX 지원’ 표기 중 상당수는 실제로 PDF 변환 우회 방식이라, 원본 직접 파싱인지 변환 후 파싱인지 반드시 확인해야 합니다. PDF로 우회하면 표가 이미지로 처리되어 표 구조 인식 자체가 어려워질 수 있습니다.

확인할 때는 HWP 3.0 이상과 HWPX를 직접 읽는지, 실제 업무 문서 샘플에서 표와 계층이 보존되는지 함께 봐야 합니다. 원본 직접 파싱 가능 여부는 결국 HWP·HWPX 포맷 원천 기술 보유 여부로 결정됩니다. HWP·HWPX SDK 원천 기술을 보유한 솔루션은 드문 만큼, 이 조건을 먼저 확인하는 것이 선택 범위를 좁히는 가장 빠른 방법입니다.

DLA와 계층 구조 추출 기능

DLA와 계층 추출 기능은 RAG 청킹 품질을 높이는 핵심 조건입니다.

문서 전체 레이아웃에서 텍스트·표·이미지 영역을 자동으로 구분하는 이 기능은, 글자를 읽어 주는 OCR(Optical Character Recognition, 광학 문자 인식)과는 역할이 다릅니다. OCR만으로는 다단 레이아웃·표·캡션이 뒤섞인 채로 추출되고, 계층 추출이 없으면 고정 크기 청킹에 의존할 수밖에 없어 RAG 성능에 한계가 생깁니다.

한국어 공문서·법령 특유의 들여쓰기 기반 위계 구조는 별도 인식 기능이 없으면 처리가 어렵습니다. 한컴 데이터 로더는 DLA와 계층(Level) 인식 기능을 함께 지원해, 이런 위계 구조도 놓치지 않고 처리합니다.

표 구조 인식 범위

TSR은 병합 셀, 다단 헤더, 테두리 없는 표, 중첩 표까지 처리하는지 확인해야 합니다. 표의 행·열 관계가 손상되면 LLM이 수치와 조건을 잘못 판단할 가능성이 커집니다.

표 인식을 셀 내용 정확도와 셀 위치 정확도 두 차원으로 평가하는 벤치마크도 있을 만큼, 위치 관계 보존이 실무 활용 가능 여부를 결정합니다. 

공공 문서에는 복잡한 표가 많아, 표 구조를 얼마나 잘 인식하느냐에 따라 실무 활용 가능 여부가 좌우됩니다. 한컴 데이터 로더는 TSR 기술로 테두리 없는 표·병합 셀·중첩 표까지 셀 단위의 행·열 구조를 유지한 마크다운 형식으로 변환합니다.

보안 환경 대응 방식

공공·금융·법무 조직은 문서를 외부 클라우드로 보내지 않고 내부망에서 처리할 수 있는지 확인해야 합니다. 망분리 환경에서는 온프레미스 내재화 지원 여부가 도입 가능 여부를 결정합니다.

HWP 파싱 도입 전 보안 환경 확인 항목

✅ 문서 원본이 외부로 전송되는가  

✅ 내부망·폐쇄망 설치가 가능한가  

✅ 컨테이너 기반 REST API 방식으로 연동 가능한가  

✅ OCR·DLA·TSR 엔진이 외부 API 의존 없이 작동하는가

네 항목 중 하나라도 충족되지 않으면 문서가 외부로 유출되거나 도입 자체가 불가능한 상황이 생길 수 있습니다. 특히 OCR·DLA·TSR 엔진이 내부망에서 독립적으로 작동하는지는 스펙 문서만으로 확인하기 어렵기 때문에, 실제 폐쇄망 환경 기준으로 기술 구조를 직접 확인하는 것이 중요합니다.

이 네 가지 조건을 모두 충족하는 솔루션을 찾고 있다면, 한컴 데이터 로더를 확인할 수 있습니다.

👉 한컴 데이터 로더 살펴보기

HWP·HWPX 파일 파싱, 한컴 데이터 로더로 해결

HWP 원본 직접 파싱으로 구조 손실을 최소화하는 방법

한컴 데이터 로더는 HWP·HWPX SDK 원천 기술로 원본 파일에서 직접 데이터를 추출하고, 변경추적·각주·미주·수식·글머리표 같은 레이아웃 요소를 원본 기준으로 해석합니다. HWP의 폭넓은 버전을 지원하며, 다양한 레이아웃 요소를 인식합니다.

DLA와 계층 구조 추출로 RAG 청킹 품질 높이기

계층이 유지된 청크는 검색 정확도와 답변 근거의 품질을 함께 높입니다. 한컴 데이터 로더는 DLA로 텍스트·표·이미지·캡션 영역을 식별하고, Level 추론 엔진으로 문단 스타일·들여쓰기·번호 체계를 분석해 계층 레벨을 자동 태깅합니다. 한국어 공문서·법령·보고서 특유의 들여쓰기 기반 위계 구조 인식에 최적화되어 있습니다.

TSR로 병합 셀·중첩 표까지 완전 추출하는 방법

표 안의 수치와 조건이 구조적으로 보존되면 RAG 검색에서 바로 활용할 수 있습니다. 한컴 데이터 로더의 TSR은 테두리 없는 표·병합 셀·중첩 표까지 셀 단위 행·열 마크다운으로 변환합니다.

💡 HWP·HWPX 문서의 표와 계층이 실제로 어떻게 추출되는지 결과부터 확인하고 싶다면, 라이브 데모에서 직접 살펴볼 수 있습니다.

👉 한컴 데이터 로더 라이브 데모 사용하러 가기

온프레미스 환경에서 HWP 파싱을 적용하는 방법

망분리 환경에서도 문서를 외부로 내보내지 않고 처리할 수 있습니다. 한컴 데이터 로더는 컨테이너 기반 REST API 형태로 내부망에 내재화되어, 공공·금융·법무 보안 환경에서 문서 외부 전송 없이 운영할 수 있습니다. 한컴 데이터 로더는 RAG 전체 답변 시스템이 아니라 문서 전처리를 담당하며, 검색·질의응답 시스템은 자사 RAG 솔루션 한컴피디아와 연계해 구성할 수 있습니다.

HWP 파일 파싱, 자주 묻는 질문

HWP·HWPX 파일 파싱, 한컴 데이터 로더로 시작하기

HWP·HWPX 파일 파싱에서 생긴 구조 손실은 청킹·임베딩·검색·생성까지 연쇄적으로 전이되며, 이후 어떤 단계에서도 되살릴 수 없습니다. 많은 조직이 RAG 품질 문제를 LLM이나 임베딩 탓으로 돌리지만, 실제 병목은 대부분 파싱 단계에 있습니다.

파싱은 문서를 ‘여는’ 과정이 아니라 RAG 전체 성능의 천장을 설계하는 과정입니다. 어떤 구조로 데이터를 꺼내느냐가 이후 청킹 경계, 검색 정확도, 최종 답변 품질까지 결정하기 때문입니다. 특히 HWP·HWPX처럼 구조가 복잡한 한국형 문서일수록 이 차이는 더 크게 벌어집니다.

문서 전처리 부담과 구조 손실, 한컴 데이터 로더로 한 번에 해결할 수 있습니다.

🖥 한컴 데이터 로더

한컴 데이터 로더는 HWP·HWPX·PDF·OOXML을 구조화 데이터로 전환하는 문서 파싱 솔루션입니다. 추출된 데이터는 자사 RAG 솔루션 한컴피디아와 연계해 검색·답변까지 확장할 수 있습니다. 신뢰할 수 있는 문서 전처리, 한컴 데이터 로더로 시작할 수 있습니다.

👉 한컴 데이터 로더 API 가이드 보러가기

👉 한컴 데이터 로더 도입 문의하기

참고자료

1. ZDNet Korea, 「18일부터 공공문서 ‘HWPX’ 의무화…AI 친화형 행정 체계 전환」, 2026
2. 한컴테크, 「한/글 문서 파일 형식: Python을 통한 HWP 포맷 파싱하기 (2)」, 2025
3. 한컴테크, 「AX 시대를 위한 한글 문서: 오픈소스 생태계 현황 분석과 활성화 전략」, 2025
4. AWS, 「검색 증강 생성(RAG)이란?」
5. arXiv, 「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」, 2020
6. arXiv, 「A Comparative Study of PDF Parsing Tools Across Diverse Document Categories」, 2024
7. arXiv, 「Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction」, 2024
8. arXiv, 「Revolutionizing Retrieval-Augmented Generation with Enhanced PDF Structure Recognition」, 2024
9. Unstructured, 「Introducing SCORE-Bench: An Open Benchmark for Document Parsing」, 2025
10. Google Cloud, 「문서 파싱 및 청크 처리」, 2026
11. Microsoft Learn, 「Choose the right Azure AI tool for document processing」, 2026