PDF 특화 OCR — 복잡한 레이아웃·표·수식을 Markdown으로 변환하는 도구들

왜 일반 OCR로는 부족한가

PDF에 Tesseract를 돌리면 텍스트는 나온다. 근데:

• 2단 레이아웃이면 왼쪽·오른쪽이 섞인다

• 표의 셀 구분이 사라진다

• 수식이 깨진다

• 머리글/바닥글이 본문에 섞인다

• 이미지 캡션이 본문으로 들어간다

PDF 특화 도구는 레이아웃을 이해하고 올바른 읽기 순서로 Markdown을 생성한다.

도구별 비교

각 도구 코드

Marker — 가장 범용:

pip install marker-pdf
marker_single document.pdf --output_dir ./output
# → output/document.md (Markdown)

Python에서:

from marker.converters.pdf import PdfConverter
converter = PdfConverter()
result = converter("document.pdf")
print(result.markdown)  # Markdown 텍스트

Docling — 엔터프라이즈:

pip install docling

from docling.document_converter import DocumentConverter
converter = DocumentConverter()
result = converter.convert("document.pdf")
print(result.document.export_to_markdown())

MinerU — CJK 최강:

uv pip install -U "mineru[all]"
mineru document.pdf -o ./output
# → output/document.md

Nougat — 학술 논문:

pip install nougat-ocr
nougat paper.pdf -o ./output
# → output/paper.mmd (Markdown + LaTeX 수식)

PyMuPDF4LLM — 가장 빠름:

import pymupdf4llm
md = pymupdf4llm.to_markdown("document.pdf")
print(md)  # 네이티브 텍스트 추출 (OCR 불필요한 PDF면 즉시)

용도별 추천