한컴 PDF 파서가 깃허브 트렌딩 1위에 오른 이유

오스왈드예요. 구글 Discover에 노출된 제 뉴스레터를 발견해 들어오셨나요? 구독해주신다면 재밌고 유익한 뉴스레터를 가장 빠르게 받아보실 수 있어요. 🙇

한컴의 PDF 추출 도구가 개발자들의 관심을 받았어요

한컴은 3월 23일, PDF 데이터 추출 도구 ‘오픈데이터로더 PDF v2.0’이 3월 20일 깃허브의 전체 언어 트렌딩 1위에 올랐다고 발표했어요. 회사에 따르면 21일 하루 스타가 1,800개 넘게 늘었고 누적 7,000개를 넘었어요. 저는 처음에 누가 만든 도구인지 몰랐어요. 이용약관과 한국어 페이지를 보고 한국 개발자인가 싶었는데, 한글과컴퓨터가 참여한 프로젝트라는 사실을 알고 놀랐어요.

제가 관심을 가진 것은 순위와 함께 제품을 내놓은 방식이에요. 한컴오피스를 통째로 판매하는 대신 문서에서 데이터를 꺼내는 도구를 개발자가 직접 받아 쓸 수 있게 공개했으니까요.

저에게 한컴은 HWP 문서와 공공기관의 업무 환경에서 자주 접하는 회사였어요. 그래서 해외 개발자들이 PDF 처리용 오픈소스로 이 회사를 만난다는 점이 새롭게 느껴졌어요. 국내에서 익숙한 제품과 다른 용도로 기술을 알릴 기회가 생긴 것이죠.

깃허브 트렌딩과 스타는 관심이 모였다는 신호예요. 다만 기술의 정확도나 실제 기업 도입을 인증하는 지표는 아니에요. 관심을 가진 개발자들이 자기 문서에 적용해 보고 계속 사용할지가 다음에 확인할 부분이에요.

도구의 성능은 어떤 조건에서 나왔는지, 오픈소스로 공개한 방식이 한컴의 사업에 어떻게 연결될 수 있는지 살펴볼게요.

정확도와 속도는 같은 설정으로 비교해야 해요

개발팀이 공개한 벤치마크는 PDF 200개를 대상으로 읽기 순서와 표, 제목 구조의 추출 결과를 평가해요. 4월 6일 공개 저장소의 비교표에서 일부 도구의 종합 점수와 페이지당 처리 시간은 다음과 같아요. 점수는 0~1 범위이며 높을수록 좋고, 처리 시간은 짧을수록 빨라요.

도구와 설정	종합 점수	페이지당 처리 시간
OpenDataLoader 하이브리드	0.907	0.463초
Docling	0.882	0.762초
Nutrient	0.880	0.230초
Marker	0.861	53.932초
Unstructured hi_res	0.841	3.008초
OpenDataLoader 일반 모드	0.831	0.015초

개발팀의 자체 벤치마크라는 점을 함께 봐야 해요. 테스트 문서와 평가 코드가 공개돼 있어 같은 절차로 확인할 수 있지만, 모든 종류의 PDF에서 같은 순위가 나온다는 뜻은 아니에요.

여기서 구분할 것은 OpenDataLoader의 두 모드예요. 0.907은 하이브리드 모드의 종합 점수이고, 0.015초는 일반 모드의 처리 시간이에요. 일반 모드의 종합 점수는 0.831, 하이브리드의 처리 시간은 0.463초예요. 높은 정확도와 가장 빠른 속도를 한 설정에서 동시에 얻은 것처럼 읽으면 안 돼요.

실제 처리 시간은 문서 구성과 하드웨어, OCR 사용 여부, 병렬 처리 방식에 따라 달라져요. 이 표의 페이지당 시간을 100만 페이지에 그대로 곱해 사업 현장의 소요 시간을 확정할 수는 없어요. 도입할 때는 자주 다루는 문서로 추출 품질과 속도를 함께 측정해야 해요. OpenDataLoader는 로컬 환경에서 CPU로도 실행할 수 있도록 설계돼 있어, 직접 시험해 볼 수 있다는 장점이 있어요.

기업 문서에서 필요한 내용을 꺼내는 일은 생각보다 까다로워요. PDF는 화면에 문서를 일정한 모습으로 표시하는 데 적합하지만, 그 안의 읽기 순서나 표 구조가 추출하기 쉽게 저장돼 있지 않을 수 있어요. 다단 문서를 어느 순서로 읽을지, 표의 행과 열을 어떻게 연결할지, 스캔 이미지에서 글자를 어떻게 인식할지가 문제예요. RAG¹로 문서를 검색해 답하게 하려면 이런 전처리 품질을 확인해야 해요.

OpenDataLoader는 규칙에 따라 직접 추출하는 처리와 AI 모델을 이용하는 처리를 결합해요. 일반적인 페이지는 빠르게 처리하고, 복잡한 표나 스캔 문서 등에는 AI 기능을 활용할 수 있어요. 하이브리드 기능에는 Docling 기반 도구도 쓰여요. 경쟁 도구를 모두 독자 기술로 대체한 결과라기보다, 기존 기술을 조합해 문서 처리에 맞춘 설계로 보는 편이 정확해요.