AWS Textract 도입 후 정규식 기반 파싱의 한계와 30%의 낮은 정확도

Context

Tesseract의 필기체 인식 불가 문제로 인해 AWS Textract 기반의 Cloud service 전환을 결정. 단순 텍스트 추출을 넘어 문서 내 타이틀, 재료 리스트, 지침 등 구조적 데이터 변환을 목표로 설정.

Technical Solution

• AWS Textract API를 통한 Raw text 추출 및 Confidence score 기반의 데이터 획득
• 정규 표현식(Regex) 기반의 Quantity-Unit-Item 구조 파싱 로직 구현
• 문서의 첫 번째 라인을 Title로, 매칭되지 않는 나머지 텍스트를 Instruction으로 분류하는 Heuristics 적용
• 6개의 설정 가능한 파라미터를 통한 전처리 프로세스 구축
• 복잡한 문서 구조 대응을 위해 200라인 이상의 정규식 및 예외 처리 분기 추가