# \#document-parsing

**URL:** https://discuss.pytorch.kr/tag/document-parsing/8010.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [GravityOCR: 확산(Diffusion) 및 자기회귀(AR) 기법으로 초안 작성 및 검증을 수행하는 OCR 모델 (feat. Trillion Labs)](https://discuss.pytorch.kr/t/gravityocr-diffusion-ar-ocr-feat-trillion-labs/11997)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [9월 24, 2026, 2:00오전 UTC](https://discuss.pytorch.kr/t/gravityocr-diffusion-ar-ocr-feat-trillion-labs/11997 "2026-09-24T02:00:29Z")

</div>

GravityOCR 소개 GravityOCR은 문서 이미지를 텍스트, HTML 표, LaTeX 수식으로 옮기는 OCR 모델로, 하나의 가중치가 확산(Diffusion) 방식으로 여러 토큰의 초안을 한 번에 쓰고 같은 모델의 자기회귀(AR) 경로가 그 초안을 검증하는 방식으로 디코딩 속도를 높였습니다. 기반 모델인 GLM-OCR (:pytorch::kr: GLM-OCR: 0.9B 파라미터로 SOTA 성능을 달성한 초경량 오픈소스 OCR 모델 (feat. Z.ai))과 거의 같은 인식 정확도(OmniDocBench v1.6 Overall 95.16 vs. 95.48)를 유지하면서, 모델 forward 한 번에 평균 9.7개의 토큰을 확정합니다. 요즘 문서 OCR은 대부분 생성형 시각-언어 모델(Vision-Language Model, VLM)이 담당합니다. 문서 이미지를 입력하면 모델이 본문, 표, 수식을 하나의 토큰 시퀀스로 직렬화해 출력하는 방식이고, 공개 모델들의 정확도도 90%를 넘어 실무에서 믿고 쓸 수 있는 수준이 되었습니다. 그러나 이 모델들은 대부분 자기회귀(Autoregressive, AR) 방식으로 토큰을 하나씩 생성하므로, 출력이 N개의 토큰이면 순차적인 forward도 N번 필요합니다. 한 페이지에 수백~수천 개의 토큰을 출력하는 OCR에서는 이 순차 디코딩이 곧 서빙 비용입니다. 그래서 최근 OCR 모델들은 여러 토큰을 한 번에 예측하는 헤드를 붙이거나(GLM-OCR의 MTP), 별도의 초안 모델을 두거나(HunyuanOCR-1.5의 DFlash), 아예 확산 모델로 병렬 생성하는(DODO, MinerU-Diffusion) 방식으로 디코딩을 가속하고 있습니다. 이번에 소개하는 GravityOCR은 한국의 AI 연구 스타트업 Trillion Labs (:pytorch::kr: 한국 초지능 연구 스타트업 Trillion Labs, 한국어로 처음부터 학습한 Tri Series의 중간 체크포인트 공개)가 공개한 모델로, 앞의 방식들과 달리…

---

## [anydoc: 오피스 문서를 LLM이 읽을 Markdown으로 5밀리초 안에 바꾸는 Rust 라이브러리](https://discuss.pytorch.kr/t/anydoc-llm-markdown-5-rust/11552)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [8월 9, 2026, 4:30오전 UTC](https://discuss.pytorch.kr/t/anydoc-llm-markdown-5-rust/11552 "2026-08-09T04:30:36Z")

</div>

anydoc 소개 문서를 입력으로 받는 AI 파이프라인은 대체로 같은 자리에서 막힙니다. 사용자가 올리는 파일은 .docx, .pptx, .xlsx, .pdf, .epub처럼 제각각인데, 언어 모델에 넣으려면 결국 하나의 텍스트 표현으로 정리해야 합니다. 그래서 형식마다 다른 파서를 붙이게 되고, 표 하나가 docx에서는 멀쩡히 나오는데 rtf에서는 깨지는 식의 불일치가 쌓입니다. 표 이스케이핑 버그를 고쳐도 그 수정이 다른 형식에는 적용되지 않아 같은 작업을 형식 개수만큼 반복하게 되고, 변환기 자체가 무거우면 문서 한 건에 1초 넘게 걸려 수집 단계 전체가 느려집니다. anydoc은 파서는 형식별로 두되 그 뒤를 하나로 합치는 방식으로 이 문제에 접근합니다. 각 형식 파서는 공통 문서 모델(Document)을 만들어 내고, 그 모델 하나만 GitHub Flavored Markdown 직렬화기를 통과합니다. 이스케이핑, 표, 제목 앵커, 각주가 어떤 형식에서 들어왔든 동일하게 처리되는 이유이며, 저자들은 이 구조 덕분에 "docx의 표 이스케이핑 수정이 곧바로 rtf, odt를 비롯한 나머지 전부의 수정이 된다" 고 설명합니다. 구현은 순수 Rust이고 머신러닝 모델이나 외부 서비스를 호출하지 않아, 문서 한 건 변환 시간 중앙값이 5밀리초 아래입니다. 만든 곳은 웹 크롤링 API로 알려진 Firecrawl이며, 이 라이브러리는 자사 서비스인 Firecrawl Parse를 구동하는 엔진이기도 합니다. 배포 형태는 Rust 크레이트, Node.js 패키지, Python 휠, 그리고 브라우저용 WebAssembly 빌드까지 네 가지이고, 별도 설치 없이 쓰는 CLI와 코딩 에이전트용 Agent Skill도 함께 제공됩니다. 현재 최신 릴리즈는 v0.1.6입니다. anydoc과 기존 문서 변환 도구의 차이 문서를 마크다운으로 바꾸는 도구는 이미 여럿 있습니다. LibreOffice를 헤드리스로 돌리는 방식은 지원 형식이 넓은 대신 프로세스 기동 비용이 …

---

## [pdf-inspector: OCR 없이 PDF를 분류하고 마크다운으로 추출하는 Rust 라이브러리 (feat. firecrawl)](https://discuss.pytorch.kr/t/pdf-inspector-ocr-pdf-rust-feat-firecrawl/11255)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 14, 2026, 11:30오후 UTC](https://discuss.pytorch.kr/t/pdf-inspector-ocr-pdf-rust-feat-firecrawl/11255 "2026-07-14T23:30:18Z")

</div>

pdf-inspector 소개 문서를 다루는 파이프라인에서 PDF는 가장 까다로운 입력 중 하나입니다. 어떤 PDF는 이미 본문 텍스트가 그대로 들어 있는 반면, 어떤 PDF는 종이를 스캔한 이미지 덩어리라 광학 문자 인식(OCR)을 거쳐야 글자를 얻을 수 있습니다. 둘을 구분하지 않고 모든 PDF를 OCR 서비스로 보내면, 이미 텍스트가 있는 문서에까지 불필요한 비용과 수 초 단위의 지연이 붙습니다. pdf-inspector는 이 구분을 앞단에서 빠르게 처리하는 라이브러리입니다. OCR이나 머신러닝 모델 없이 순수 Rust로 PDF의 콘텐츠 스트림을 샘플링해 문서가 텍스트 기반인지 스캔본인지 밀리초 단위로 판별하고, 텍스트 기반이면 위치 정보를 유지한 채 본문을 추출해 마크다운으로 변환합니다. 웹 크롤링·데이터 수집 도구를 만드는 Firecrawl 이 자사 파이프라인을 위해 만들었으며, 텍스트 기반 PDF를 200ms 안에 로컬에서 처리해 "OCR이 필요 없는 약 54%의 PDF" 에 대한 외부 OCR 호출을 건너뛰는 것을 목표로 합니다. 핵심 기능은 크게 세 가지입니다. PDF 타입 분류, 위치 인식 텍스트 추출, 그리고 제목·목록·표·코드 블록을 인식하는 마크다운 변환입니다. Rust 라이브러리 본체와 함께 Python 및 Node.js 바인딩, 그리고 명령줄 도구를 제공하며, PDF 파싱을 위한 lopdf 하나 외에는 외부 의존성이 없습니다. pdf-inspector의 문서 처리 파이프라인 pdf-inspector는 문서를 한 번만 파싱한 뒤 그 결과를 분류 단계와 추출 단계가 공유하는 구조로 설계되어 있습니다. load\_document\_from\_path 또는 load\_document\_from\_mem 로 문서를 한 차례 로드하고, 이후 감지(detector)와 추출(extractor)이 같은 파싱 결과를 재사용하므로 중복 I/O가 발생하지 않습니다. 추출 단계는 여러 하위 모듈로 나뉩니다. 폰트 정보(폭·인코딩)를 읽고, 콘텐츠 스트림…

---

## [PaddleOCR: 문서와 이미지를 LLM용 구조화 데이터로 바꾸는 OCR 툴킷](https://discuss.pytorch.kr/t/paddleocr-llm-ocr/10935)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [6월 29, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/paddleocr-llm-ocr/10935 "2026-06-29T03:30:04Z")

</div>

PaddleOCR 소개 PaddleOCR은 PDF와 이미지 문서를 LLM이 곧바로 사용할 수 있는 구조화된 데이터(JSON, Markdown)로 변환하는 OCR 툴킷입니다. 단순히 이미지에서 글자를 뽑아내는 데서 그치지 않고, 표와 수식, 도장, 차트 같은 복잡한 요소까지 인식해 문서의 구조를 보존한 형태로 출력하는 데 초점을 맞춥니다. 본 게시물에서는 PaddleOCR이 텍스트 인식과 문서 파싱을 어떻게 나누어 다루는지, 그리고 어떤 모델과 사용법을 제공하는지 정리합니다. PaddleOCR은 크게 두 갈래의 문제를 함께 풉니다. 하나는 거리 간판, 신분증, 손글씨처럼 다양한 환경의 글자를 빠르게 읽어내는 장면 텍스트 인식(Scene OCR)이고, 다른 하나는 레이아웃이 복잡한 문서 한 페이지를 통째로 해석해 Markdown이나 JSON으로 옮기는 문서 파싱(Document Parsing)입니다. 앞쪽은 PP-OCR 계열 모델이, 뒤쪽은 비전-언어 모델(Vision-Language Model)인 PaddleOCR-VL과 레이아웃 분석 파이프라인 PP-StructureV3가 담당합니다. 이 프로젝트는 100개 이상의 언어를 지원하며, 한국어 인식 모델도 별도로 제공합니다. 모델은 엣지 기기용 경량 버전부터 서버용 고정밀 버전까지 단계별로 나뉘어 있고, PaddlePaddle 프레임워크 위에서 NVIDIA GPU, Intel CPU, 쿤룬신(Kunlunxin) XPU, Ascend 등 여러 하드웨어 백엔드로 배포할 수 있습니다. Dify, RAGFlow, Cherry Studio, MinerU 같은 RAG·문서 처리 도구들이 PaddleOCR을 기반 OCR 엔진으로 채택하고 있습니다. PaddleOCR의 전체 구조 PaddleOCR은 응용(Apps), 모델 저장소(Model Zoo), 도구(Toolkit)의 세 층으로 구성됩니다. 모델 저장소는 다시 장면 텍스트 인식을 담당하는 OCR 계열(PP-OCRv3~v6), 문서를 Markdown/JSON으로 변…

---

## [LiteParse: 로컬에서 PDF와 문서를 빠르고 가볍게 파싱하는 오픈소스 도구](https://discuss.pytorch.kr/t/liteparse-pdf/10524)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [6월 20, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/liteparse-pdf/10524 "2026-06-20T09:30:10Z")

</div>

LiteParse 소개 문서를 LLM이나 RAG 파이프라인에 넣으려면, 먼저 PDF 같은 원본을 깨끗한 텍스트와 구조로 바꾸는 파싱 단계가 필요합니다. 이때 많은 파싱 도구가 클라우드 API나 별도의 LLM 기능에 의존하는데, LiteParse는 그런 의존성 없이 "fast and light" 만을 목표로 삼은 독립형 오픈소스 PDF 파싱 도구입니다. 모든 처리가 내 컴퓨터에서 로컬로 이뤄집니다. LiteParse는 PDFium을 이용해 텍스트의 공간 정보를 살린 파싱(spatial text parsing)을 수행하며, 각 텍스트에 바운딩 박스(bounding box) 좌표를 함께 제공합니다. 즉, 어떤 글자가 페이지의 어느 위치에 있었는지까지 보존하기 때문에, 표나 다단 레이아웃처럼 위치가 의미를 갖는 문서에서 유용합니다. 이 프로젝트는 LlamaIndex(run-llama)가 공개했습니다. 다만 제작팀은 한계도 분명히 밝히고 있습니다. 밀집된 표, 다단 레이아웃, 차트, 손글씨, 스캔 PDF처럼 복잡한 문서에서는 로컬 파싱의 한계에 부딪힐 수 있으며, 이런 경우에는 클라우드 기반 상용 서비스인 LlamaParse가 더 나은 결과를 준다고 안내합니다. LiteParse는 어디까지나 가볍고 빠른 로컬 파싱에 초점을 맞춘 도구입니다. LiteParse의 처리 구조 LiteParse는 PDF뿐 아니라 DOCX, XLSX, PPTX, 이미지를 입력으로 받습니다. PDF가 아닌 포맷은 먼저 LibreOffice나 ImageMagick으로 변환한 뒤, PDFium으로 텍스트를 추출합니다. 이어 필요한 영역에만 선택적으로 OCR을 적용하고, 네이티브 텍스트와 OCR 결과를 병합한 다음, 그리드 투영(grid projection)으로 공간 레이아웃을 재구성합니다. 이 과정의 결과는 텍스트와 바운딩 박스가 담긴 구조화 JSON, 레이아웃이 보존된 평문 텍스트, 그리고 페이지 스크린샷의 세 가지 형태로 출력됩니다. 코어는 Rust로 작성되어 있고, Node.…
