PDF 구조적 한계 극복을 통한 최대 99% 정확도의 데이터 추출 전략

Context

PDF 포맷의 렌더링 중심 설계로 인한 데이터 구조 부재 및 텍스트 요소의 단순 좌표 배치 방식이 데이터 추출의 근본적 병목으로 작용함. 단순 텍스트 층 접근 방식으로는 병합 셀이나 다중 페이지 테이블 같은 복잡한 구조 재구성 시 데이터 무결성 보장이 어려움.

Technical Solution

• LLM 기반의 Zero-shot Extraction: 텍스트 레이어 분석을 통한 단발성 데이터 구조화 및 CSV 변환 방식 채택
• Template-based OCR: 고정된 좌표 정의를 통한 반복적 문서의 결정론적 데이터 매핑 구조 설계
• Geometric Analysis (pdfplumber): 텍스트 위치 및 선 기하학 분석을 통한 테이블 그리드 재구성 로직 구현
• Lattice & Stream Mode (Camelot): 가시적 그리드 라인을 활용한 Lattice 모드와 공백 기반 추론의 Stream 모드를 통한 구조적 유연성 확보
• AI Vision Model: 문서의 시각적 레이아웃을 전체적으로 인식하여 복잡한 병합 셀 및 다중 페이지 구조의 계층적 복원 수행