자동화 기술: 대량의 PDF에서 데이터만 자동으로 추출하는 AI 툴 활용법
예상 읽는 시간 약 5분
작성 · Milk PDF 편집팀발행 2026-03-19 · 최종 수정 2026-04-09수백 장의 청구서나 계약서에서 금액과 날짜만 뽑아야 한다면, 사람이 옮겨 적는 방식은 느릴 뿐 아니라 오류도 쌓입니다. 자동 추출이 어떻게 동작하고 어디까지 믿을 수 있는지 정리했습니다.
1. 먼저 문서 종류를 구분하세요
자동화의 난이도는 문서가 '텍스트 PDF'인지 '이미지 PDF'인지에 따라 완전히 달라집니다. 워드나 회계 프로그램에서 바로 내보낸 문서는 글자 정보가 파일 안에 그대로 들어 있어, 위치와 함께 정확히 읽어 낼 수 있습니다. 반면 스캔본이나 사진은 글자가 그림으로만 존재해 문자 인식(OCR)을 거쳐야 하며, 이 단계에서 오차가 발생합니다. 문서를 열어 글자를 드래그로 선택할 수 있으면 텍스트 PDF입니다.
2. 3단계 파이프라인
실무에서 쓰는 자동 추출은 대개 세 단계로 구성됩니다. ① 전처리: 기울기 보정, 대비 조정, 회색조 변환으로 인식률을 끌어올립니다. ② 인식: 텍스트 PDF는 직접 추출, 이미지 PDF는 OCR로 글자와 좌표를 얻습니다. ③ 구조화: 얻어 낸 문자열에서 원하는 항목만 골라 표 형태로 정리합니다. 세 단계 중 결과 품질을 가장 크게 좌우하는 것은 의외로 첫 단계인 전처리입니다.
3. 항목을 골라내는 두 가지 방식
규칙 기반은 '금액은 원 앞의 숫자', '날짜는 연-월-일 형태'처럼 패턴으로 찾는 방식입니다. 양식이 고정된 문서에서는 빠르고 정확하며 결과가 항상 같습니다. 다만 거래처마다 서식이 다르면 규칙이 끝없이 늘어납니다.
AI 기반은 문서를 읽고 '공급가액이 얼마인지' 같은 의미 단위로 답을 찾습니다. 서식이 제각각이어도 잘 작동하고 새로운 양식에 유연하게 대응하지만, 확신에 찬 오답을 낼 수 있다는 점이 약점입니다. 그래서 실전에서는 AI로 후보를 뽑고 규칙으로 검증하는 혼합 방식이 가장 안정적입니다. 예를 들어 추출한 공급가액과 세액의 합이 합계와 맞는지 자동으로 계산해 보는 것만으로 대부분의 오류를 걸러 낼 수 있습니다.
4. 표는 왜 어려운가
PDF에는 '표'라는 개념이 없습니다. 선과 글자가 각각의 위치에 그려져 있을 뿐이라, 어디까지가 한 칸인지는 좌표를 보고 추론해야 합니다. 병합된 셀, 여러 페이지에 걸친 표, 줄바꿈이 들어간 항목명은 특히 오류가 잦습니다. 표를 다룰 때는 헤더가 매 페이지 반복되는지, 마지막 합계 행이 데이터로 잘못 섞이지 않았는지 반드시 확인하세요.
5. 검증 없는 자동화는 위험합니다
자동 추출의 목표는 '사람을 없애는 것'이 아니라 '사람이 확인만 하면 되게 만드는 것'입니다. 항목별 신뢰도를 남기고, 기준에 못 미치는 건만 사람이 검토하는 흐름을 만들면 처리량과 정확도를 동시에 얻을 수 있습니다. 금액·계좌·날짜처럼 틀리면 손해가 큰 항목은 무조건 이중 확인 대상으로 두세요.
6. 개인정보와 처리 위치
청구서와 계약서에는 이름, 주소, 사업자번호, 계좌번호가 함께 들어 있습니다. 외부 서비스에 대량 업로드하기 전에 보관 기간과 학습 사용 여부를 확인해야 하며, 가능하다면 기기 안에서 처리되는 방식을 우선 검토하는 편이 안전합니다. 추출 결과 파일 역시 원본만큼 민감하므로, 공유 범위와 보관 위치를 처음부터 정해 두는 것이 좋습니다.
전처리 설정값이 인식률을 좌우합니다
스캔 원본을 자동 추출에 넣기 전에 이미지 도구로 먼저 손질하세요. 문서 스캔은 300dpi 그레이스케일이 기준이며, 감열지 영수증처럼 대비가 낮은 원본은 대비를 15~20% 올린 뒤 처리하면 숫자 오인식이 눈에 띄게 줄어듭니다. 기울어진 스캔은 회전 보정을 먼저 적용해야 하는데, 표 형태 문서는 1도만 틀어져도 셀 경계 추정이 어긋나기 때문입니다.
여러 벤더의 청구서를 한 번에 처리해야 한다면, 먼저 페이지 정리 기능으로 표지·광고성 페이지를 제거하고 실제 데이터가 있는 페이지만 남기세요. 불필요한 페이지가 섞이면 추출 파이프라인이 없는 항목을 억지로 찾으려다 엉뚱한 값을 채워 넣는 경우가 많습니다.
압축과 원본 화질의 균형
이미 지나치게 압축된 PDF는 글자 경계가 뭉개져 OCR 오류가 늘어납니다. 압축 도구를 쓸 때는 '텍스트 우선' 또는 중간 품질 설정을 선택해 이미지 용량은 줄이되 글자 획이 뭉개지지 않도록 하세요. 반대로 원본이 필요 이상으로 고해상도라면 처리 속도만 늦어지므로, 인식 전 단계에서 200~300dpi 범위로 맞추는 편이 속도와 정확도 모두에 유리합니다.
결과 검증 체크리스트
추출이 끝나면 무작위로 5~10건을 골라 원본 페이지와 나란히 대조하세요. 금액 항목은 소수점 위치, 날짜는 연/월/일 순서 오인식, 사업자번호는 자릿수 누락이 대표적인 오류 유형입니다. 합계·소계·세액처럼 서로 검산 가능한 값이 있다면 수식으로 교차 검증을 자동화해 두면 이후 배치 작업에서도 오류를 빠르게 걸러낼 수 있습니다.
다음 단계
대량 문서를 다룬다면 병합·분할·페이지 정리·OCR을 이 순서로 브라우저에서 먼저 정돈한 뒤 추출 도구에 넘기는 흐름을 표준 절차로 고정해 두세요. 파일이 기기 밖으로 나가지 않는 방식이면 개인정보가 섞인 원본도 안심하고 반복 처리할 수 있습니다.
