PDF 한글 텍스트 추출 실험

PDF 파서 중 어떤 것이 한글 PDF에 가장 좋을까?

2024-06-17 autorag / rag / pdf-parsing / korean-pdf

PDF 한글 텍스트 추출 실험 글 대표 일러스트 — Jeffrey Kim의 SecondBrain 빌드 로그 아티클 커버

Quick context

First, this page captures one concrete build-log step, research note, or project lesson from Jeffrey Kim.

Next, use the tags, related reading, and home archive to move from this note to deeper material in the same topic cluster.

Finally, follow the RSS feed if you want the next experiment, retrospective, or paper review as soon as it ships.

제가 직접 작성한 것이 아닌 AutoRAG를 같이 만든 [김병욱](https://www.linkedin.com/in/autorag-bwook/) 연구원이 쓴 글입니다.

RAG를 하려면 수 많은 Raw Data 들을 파싱해야 한다

Raw Data들 중에서도 가장 범용적으로 사용되는 파일은 PDF이기 때문에, PDF문서에서 텍스트를 추출해 내는 능력은 RAG의 가장 앞단에서 일어나는 일이고, 그렇기 때문에 중요하다

이번 글에서는 여러 파이썬 라이브러리의 PDF 파일에서 한글을 추출해내는 능력을 비교해 볼 것이다

인터넷 검색을 통해 무료 + 많은 사람들이 사용하고 있는 5개의 라이브러리를 실험 대상으로 정했다.

PyPDFium2, PyMuPDF, PyPDF2, PDFMiner, PDFPlumber 이렇게 5개를 비교해보도록 하자

실험 PDF

실험은 가장 무난한 5개의 Domain(medical, law, finance, commerce, public)의 PDF로 진행했다.

텍스트 추출 능력만 실험하기 위해, 이미지나 표가 있는 문서들은 일단 제외하였다.

코드

1. PyPDFium2

    from langchain_community.document_loaders import PyPDFium2Loader
    
    loader = PyPDFium2Loader(pdf_path)
    load = loader.load()
    print(load[0].page_content

2. PyMuPDF

    import fitz
    
    doc = fitz.open(pdf_path)
    for page in doc:
        text = page.get_text()
        print(text)

3. PyPDF2

    from PyPDF2 import PdfReader
    
    reader = PdfReader(pdf_path)
    pages = reader.pages
    text = ""
    for page in pages:
        sub = page.extract_text()
        text += sub
    print(text)

4. PDFMiner

    from pdfminer.high_level import extract_pages
    from pdfminer.layout import LTTextContainer
    
    def extract_text_by_page(pdf_path):
        for page_layout in extract_pages(pdf_path):
            page_text = ""
            for element in page_layout:
                if isinstance(element, LTTextContainer):
                    page_text += element.get_text()
            yield page_text
    for page_number, page_text in enumerate(extract_text_by_page(pdf_path), start=1):
        print(f"Page {page_number}:\\n{page_text}\\n{'-'*40}\\n")

5. PDFPlumber

    import pdfplumber
    
    pdf = pdfplumber.open(pdf_path)
    pages = pdf.pages
    text = []
    for page in pages:
        sub = page.extract_text()
        text.append(sub)
    print(text)