PDF 텍스트 추출
이 스킬은 요약, 분류 또는 구조화된 추출 전에 워크플로가 디지털 PDF에서 기계가 읽을 수 있는 텍스트가 필요할 때 사용하세요. 헬퍼는 사용 가능한 경우 순수 Python PDF 라이브러리를 사용하며, 다운스트림 정리를 위한 간단한 줄 기반 테이블 감지기를 포함합니다.
호출 시점
- 사용자가 "이 PDF에서 텍스트 추출", "PDF를 AI에 공급", "이 보고서에서 표 추출", "이 명세서 읽기"라고 말할 때.
- PDF에 이미 선택 가능한 텍스트가 포함되어 있고 OCR이 필요하지 않을 때.
호출하지 말아야 할 때
- PDF가 스캔된 이미지인 경우. 대신 OCR 워크플로를 사용하세요.
- 사용자가 병합된 셀과 레이아웃 충실도를 갖춘 픽셀 완벽한 표 재구성이 필요할 때.
구체적인 예시
사용자 입력:
Gemini가 요약할 수 있도록 이 PDF에서 텍스트와 대략적인 표를 추출해줘.
출력:
# assets/extract.py를 프로젝트에 복사한 다음:
from extract import extract_pdf
doc = extract_pdf("downloads/report.pdf")
print(doc["text"][:2000])
for table in doc["tables"]:
print(table["page"], table["rows"][:3])
대상 프로젝트에 pypdf 또는 pdfminer.six를 설치하세요. OCR 바이너리가 필요하지 않으며, PDF에 추출 가능한 텍스트가 없을 때 헬퍼가 명확하게 실패합니다.
적용 패턴
- 먼저 디지털 텍스트 추출을 선호하세요. 소스가 스캔된 경우에만 OCR을 추가하지 마세요.
- 다운스트림 프롬프트가 페이지 번호를 인용할 수 있도록 페이지 경계를 보존하세요.
- 테이블 추출을 간단하게 유지하세요. 탭이나 반복된 공백으로 행을 분할한 후, 이후 스키마 패스가 열을 정규화하도록 하세요.
- PDF가 긴 경우 페이지/범위별로 LLM에 보낼 텍스트를 제한하세요.
- 텍스트가 없으면 빈 프롬프트를 다운스트림에 보내는 대신 명확하게 실패하세요.
참조: assets/extract.py.
출처
저자의 자동화 프로젝트 전반에 걸친 프로덕션 사용에서 얻은 경험을 바탕으로 합니다. v1.0.0. 함께 보기: [[gemini-structured-output]], [[csv-report-writer]], [[s3-uploader]].
→ Trawlkit으로 완전한 실행 가능한 봇을 구축하세요.