# \#document-parser
**URL:** https://discuss.pytorch.kr/tag/document-parser/4535.md
[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)
---
## [PyMuPDF 2.0 릴리스: pip install 한 번으로 PDF → LLM용 마크다운까지 (3개 패키지 통합)](https://discuss.pytorch.kr/t/pymupdf-2-0-pip-install-pdf-llm-3/12271)
**Author:** [@kyounghee.lee](https://discuss.pytorch.kr/u/kyounghee.lee)\
**댓글:** 0\
**마지막 업데이트:** [10월 22, 2026, 6:23오전 UTC](https://discuss.pytorch.kr/t/pymupdf-2-0-pip-install-pdf-llm-3/12271 "2026-10-22T06:23:48Z")
RAG나 LLM 파이프라인을 만들다 보면 어느 순간 꼭 PDF 전처리에서 시간을 쓰게 되죠. 저희도 파이토치 커뮤니티에 PyMuPDF 레이아웃 분석 이야기를 몇 번 공유드렸는데요. 이번에 PyMuPDF가 2.0으로 메이저 업데이트되어 바뀐 점을 정리해 봤습니다. 한 줄로 요약하면 "PyMuPDF4LLM과 PyMuPDF Layout이 PyMuPDF 본체로 들어왔다"입니다. :package: 무엇이 바뀌었나요? 기존에는 PDF에서 LLM용 데이터를 제대로 뽑으려면 세 패키지를 조합해서 썼습니다. PyMuPDF: PDF 엔진 PyMuPDF4LLM: 마크다운·JSON 등 LLM용 출력 PyMuPDF Layout: 읽기 순서, 머리글/바닥글, 표, 다단 레이아웃 분석 각자 제 역할을 잘 했지만, 패키지 버전을 각각 맞춰야 했고 pymupdf.layout을 가장 먼저 import해야 하는 순서 규칙도 있었습니다. 2.0에서는 이 세 가지가 PyMuPDF 하나로 합쳐졌습니다. :hammer\_and\_wrench: 코드로 보면 변경 전 # pip install pymupdf pymupdf4llm pymupdf-layout import pymupdf.layout # 반드시 가장 먼저 import해야 함 import pymupdf import pymupdf4llm md = pymupdf4llm.to\_markdown("report.pdf") 변경 후 # pip install pymupdf import pymupdf doc = pymupdf.open("report.pdf") md = doc.to\_markdown() GNN 기반 레이아웃 분석이 기본으로 켜져 있고, 마크다운·JSON·일반 텍스트 출력도 내장되어 있습니다. :sparkles: 설치만 하면 바로 쓸 수 있는 기능 그래프 신경망(GNN) 기반 레이아웃 분석: 페이지를 이미지로 렌더링해서 비전 모델을 돌리는 대신, PDF 내부 구조를 직접 분석합니다. 그래서 GPU 없이도 빠르고 정확합니…
---
## [텍스트 레이어가 있는 문서까지 VLM 파서로 처리해야 할까? - CPU 기반 네이티브 추출로 RAG 문서 파싱하기 (feat. PyMuPDF Pro)](https://discuss.pytorch.kr/t/vlm-cpu-rag-feat-pymupdf-pro/12211)
**Author:** [@kyounghee.lee](https://discuss.pytorch.kr/u/kyounghee.lee)\
**댓글:** 0\
**마지막 업데이트:** [10월 16, 2026, 6:08오전 UTC](https://discuss.pytorch.kr/t/vlm-cpu-rag-feat-pymupdf-pro/12211 "2026-10-16T06:08:26Z")
소개 RAG 파이프라인을 설계할 때는 보통 LLM 선정, 임베딩, 벡터 DB 구조에 관심이 집중되지만, 실제로 사내 문서를 넣기 시작하면 문서 파서의 인프라 비용이 생각보다 큰 문제가 됩니다. 최근 많이 쓰이는 레이아웃 모델·VLM 기반 파서는 고가의 GPU가 필요하고, 상용 VLM API는 대량 처리 시 비용과 처리 시간이 크게 늘어납니다. 그런데 기업 문서의 90% 이상은 기획서·보고서·공문처럼 PDF, HWP, 오피스로 만든 일반 디지털 문서입니다. 이미 텍스트 데이터가 들어 있는 문서를 굳이 이미지로 렌더링한 뒤 다시 인식할 필요가 있을까요? 이 글에서는 저희 이파피루스가 국내에 공급하고 있는 문서 파싱 파이썬 라이브러리 PyMuPDF Pro를 예로 들어, 파일 내부 구조를 직접 읽는 CPU 기반 파싱 방식과 그에 따른 인프라 비용 차이를 정리해 보았습니다. 두 가지 접근 방식 비교 구분 렌더링 → 인식 (VLM/비전 모델) 네이티브 직접 추출 처리 방식 페이지를 고해상도 이미지로 변환 후 모델이 텍스트·표를 시각적으로 인식 파일에 내장된 텍스트 스트림, 폰트, 좌표 정보를 직접 파싱 필요 자원 GPU (또는 유료 API) 일반 CPU (메모리 300MB 미만) 강점 스캔 문서, 손글씨, 도면 등 텍스트 레이어가 없는 문서 텍스트 레이어가 있는 일반 디지털 문서를 빠르고 저렴하게 처리 PyMuPDF Pro는 오른쪽 방식, 즉 네이티브 직접 추출을 사용합니다. C 기반 엔진이 문서를 이미지로 렌더링하지 않고 원본 데이터를 바로 읽기 때문에, 픽셀 연산 없이 일반 CPU만으로 빠르게 파싱할 수 있습니다. 비용 비교 실제로 얼마나 차이가 나는지, 300인 규모 기업이 1년 동안 만드는 문서(약 200만 페이지)를 RAG용 텍스트로 변환하는 상황을 가정해 계산해 보았습니다. ① 상용 VLM API를 사용하는 경우 200만 페이지를 최신 VLM API로 모두 변환하면 순수 API 과금만 약 7억 3천만 원이 들고, 처리 속도…
---
## [kordoc: HWP와 PDF 등 한국 문서를 마크다운으로 바꾸는 파서 겸 MCP 서버](https://discuss.pytorch.kr/t/kordoc-hwp-pdf-mcp/11342)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 23, 2026, 11:30오전 UTC](https://discuss.pytorch.kr/t/kordoc-hwp-pdf-mcp/11342 "2026-07-23T11:30:18Z")
kordoc 소개 관공서와 기업에서 오가는 한국 문서는 아래아한글(HWP·HWPX), PDF, 엑셀, 워드처럼 형식이 제각각이고, 특히 HWP 계열은 구조가 복잡해 프로그램으로 내용을 꺼내기가 까다롭습니다. 그래서 LLM에게 이런 문서를 읽히거나 검색·요약에 쓰려면, 먼저 사람이 열어서 복사·붙여넣기로 옮기는 수작업이 끼어들곤 합니다. kordoc은 바로 이 지점을 자동화하기 위해 만들어진 문서 처리 도구입니다. kordoc은 HWP 3.x/5.x, HWPX, HWPML, PDF, XLS, XLSX, DOCX와 PNG/JPG/WebP 이미지까지 받아 마크다운으로 변환 하고, 반대로 마크다운을 다시 한글 문서(HWPX)로 되돌리는 기능을 함께 제공합니다. 명령줄 도구(CLI)로도 쓸 수 있고, MCP(Model Context Protocol) 서버 로 등록하면 Claude나 Cursor 같은 AI 클라이언트가 문서를 직접 읽고 쓸 수 있습니다. 행정 문서를 오래 다뤄 온 개발자가 만든 도구로, 실제 관공서 문서 수천 건으로 검증했다고 밝히고 있습니다. 이 글에서는 kordoc이 어떤 문서를 어떻게 처리하는지, AI 에이전트와 어떻게 연동되는지, 그리고 설치와 CLI 사용법을 정리합니다. kordoc은 TypeScript로 작성되었고 npm 패키지 kordoc 으로 배포되며, Node.js 18 이상 환경에서 동작합니다. kordoc이 다루는 문서와 처리 흐름 kordoc의 출발점은 다양한 문서를 AI가 읽기 좋은 마크다운으로 바꾸는 파싱 입니다. 선이 없는 PDF 표나 복잡하게 병합된 HWP 표도 구조를 분석해 마크다운 테이블로 복원하고, 법령 개정안의 신구조문대비표처럼 까다로운 표도 대상으로 삼습니다. 스캔본이나 이미지처럼 텍스트층이 없는 경우에는 내장 OCR이 자동으로 동작하는데, 한국어 PP-OCRv5 모델(약 18MB)을 첫 사용 시 내려받아 API 키 없이 로컬에서 추론합니다. RAG 파이프라인을 위한 배려도 있습니…
---
## [MegaParse, PDF 및 오피스 문서 파싱이 가능한, 멀티모달 모델과의 통합을 지원하는 오픈소스 프로젝트](https://discuss.pytorch.kr/t/megaparse-pdf/6195)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [2월 24, 2025, 3:00오전 UTC](https://discuss.pytorch.kr/t/megaparse-pdf/6195 "2025-02-24T03:00:26Z")
Meag Parser 소개 MegaParse는 PDF, PowerPoint, Word, Excel, CSV 등의 다양한 문서 형식을 지원하는 오픈소스 파서(Parser)입니다. 문서 데이터를 다룰 때 가장 중요한 요소 중 하나는 정확한 정보 유지입니다. 많은 파서들이 정보를 변환하는 과정에서 데이터 손실이 발생할 수 있습니다. MegaParse는 다양한 문서 유형을 손쉽게 처리하면서도 정보 손실을 최소화하는 것을 목표로 합니다. Python 환경에서 간단히 설치하고 사용할 수 있으며, OpenAI의 GPT-4o나 Anthropic Claude와 같은 멀티모달 모델을 활용하여 문서의 정밀한 분석을 지원합니다. MegaParse의 성능을 평가하기 위해 다른 파서들과의 유사도(similarity ratio) 비교를 진행했습니다: 파서(Parser) 유사도(similarity ratio) MegaParse Vision 0.87 Unstructured with check table 0.77 Unstructured 0.59 Llama Parser 0.33 또한, 사용자가 직접 평가를 진행할 수 있도록 별도 평가 파일을 제공하여 자신의 데이터에 맞춰 최적의 설정을 찾을 수 있도록 지원합니다. MegaParse의 주요 기능 다양한 문서 지원: PDF, PowerPoint, Word, Excel, CSV 등 다양한 문서 형식 지원 정보 손실 최소화: 문서 데이터를 최대한 원본 그대로 유지 고속 처리: 빠르고 효율적인 파싱 성능 멀티모달 AI 모델 연동: GPT-4o, Claude 3.5, Claude 4 등의 멀티모달 모델 지원 API 제공: API를 통해 쉽게 활용 가능 라이선스 MegaParse 프로젝트는 Apache-2.0 License로 공개되어 있으며, 자유롭게 사용할 수 있습니다. 추가적인 기능이 필요한 경우 별도 연락을 통해 기능을 유료로 요청할 수 있습니다. :house: …