단일 파싱 한계를 극복한 Layered Architecture 기반 PDF 데이터 신뢰성 확보

Context

금융권 PDF 문서는 시각적 표현에 최적화되어 있어 세만틱 데이터 추출이 어려우며, 특히 Layout Drift와 Multi-line Transaction으로 인해 단순 Stream Parsing 방식으로는 데이터 무결성 보장이 불가능한 한계 존재.

Technical Solution

• Stream Parsing과 Lattice/OCR 전략을 결합한 Hybrid Parsing 구조 채택을 통한 입력 데이터 변동성 대응
• 좌표 기반 클러스터링의 오차를 보완하기 위해 헤더, 컬럼 타입, 행 패턴을 검증하는 Semantic Validation 레이어 도입
• 추출 결과에 Confidence Score를 부여하여 신뢰도가 낮은 데이터의 맹목적 수용을 방지하는 확률적 처리 모델 설계
• 낮은 신뢰도 결과 발생 시 수동 검토 경로로 유도하는 Explicit Fallback 메커니즘 구현
• ML 기반 레이아웃 감지를 제한적으로 적용하고 결정론적 검증 게이트(Deterministic Validation Gate)를 배치한 안전 장치 마련
• Java 기반의 ExtractPDF4J 라이브러리를 통한 단일 런타임 내 파싱 전략 다변화 및 운영 효율성 최적화