(주)이파피루스 블로그

PyMuPDF Pro를 조금이라도 써본 개발자라면 한 번쯤 이런 생각을 했을 수 있습니다. “라이브러리 이름은 PyMuPDF Pro인데, 왜 예전에는 import fitz였지?” 이 글은 바로 그 질문에서 출발합니다.fitz는 그냥 예전 이름이 아니었습니다PyMuPDF Pro의 중심에는 MuPDF라는 C 기반 문서 엔진(C-based document engine)이 있습니다. MuPDF는 Artifex가 오래 다듬어 온 엔진으로, PDF 렌더링(PDF rendering), 텍스트 추출(text extraction), 주석 처리(annotation handling) 같은 복잡한 작업을 빠르게 처리하는 걸 강점으로 합니다.여기서 `fitz`는 MuPDF의 초기 내부 프로젝트 코드명인 Fitz에서 나온 이름입..

컨텍스트 윈도우의 한계모든 LLM에는 한 번에 처리할 수 있는 최대 텍스트 길이, 즉 **컨텍스트 윈도우(context window)**가 존재합니다. 최신 모델들은 100,000토큰을 넘는 긴 컨텍스트를 지원하기도 하지만, 문서 전체나 데이터베이스를 그대로 모델에 입력한다고 해서 항상 좋은 결과가 나오지는 않습니다.컨텍스트가 길어질수록 모델이 그 안에서 정말 중요한 정보를 정확히 찾아내는 능력은 오히려 떨어질 수 있습니다.이때 데이터 청킹(chunking)이 큰 역할을 합니다. 콘텐츠를 논리적인 단위로 나누면, 모델은 불필요한 정보 없이 필요한 부분만 전달받을 수 있습니다.검색 정확도 향상RAG(Retrieval-Augmented Generation) 시스템에서는 청킹 방식이 검색 품질에 직접적인 영향..

안녕하세요, 이파피루스입니다.이번 포스팅은 PyMuPDF Layout을 사용하는 가장 기초적인 워크플로우를 설명합니다.Python과 커맨드라인 사용 경험, PyPI 패키지 설치 경험이 있으면 쉽게 따라올 수 있어요.1️⃣ 설치하기먼저 필요한 패키지를 설치합니다. 터미널에서 아래 명령어를 실행하세요:pip install pymupdf-layoutpip install pymupdf4llmPyMuPDF Layout은 레이아웃을 감지/분석하는 역할을 하고,PyMuPDF4LLM은 그 결과를 Markdown, JSON, 텍스트 같은 출력 형태로 변환하는 역할을 합니다.2️⃣ PyMuPDF Layout 주요 기능PyMuPDF Layout으로 할 수 있는 일은 크게 두 가지입니다:문서에서 구조화된 데이터(텍스트, 표,..

안녕하세요, 이파피루스입니다.이 포스팅에서는 DocLayNet 데이터셋에서 PyMuPDF-Layout을 Docling과 비교한 벤치마크 결과를 정리한 리포트를 소개해드립니다. IoU 기반 지표로 레이아웃 탐지 정확도를 비교하고, 모델 효율성(파라미터 수, GPU 의존성 등)도 함께 살펴봅니다.실험방법:데이터셋: DocLayNet (Pfitzmann et al., 2022)학습(Training) 세트: 69,000 페이지검증(Validation) 세트: 6,480 페이지문서 카테고리: 재무 보고서, 과학 논문, 특허, 매뉴얼, 법률 문서, 입찰 문서(tender documents)어노테이션 스키마: 11개 클래스 라벨(caption, footnote, formula, list-item, page-foote..

딜로이트·PwC·KPMG, AI 데이터 활용 인프라로 '파이뮤PDF 프로' 채택골드만삭스·블룸버그·미스트랄AI 등 신규 수주… K-소프트웨어의 압도적 기술력 입증글로벌 문서 인공지능(AI) 그룹 이파피루스(대표 김정희)는 세계 최대 투자은행인 골드만삭스와 자사 핵심 문서 데이터 추출 솔루션 '파이뮤PDF 프로(PyMuPDF Pro)' 공급 계약을 체결했다고 밝혔다. 아울러 블룸버그, 세일즈포스, 미스트랄 AI 등 글로벌 톱티어 기업들을 잇따라 신규 고객사로 확보했다.파이뮤PDF 프로는 AI 및 빅데이터 구축, 업무 자동화, 이미지 렌더링 등 다양한 문서 작업을 파이선 환경에서 빠르고 정확하게 구현할 수 있는 문서 데이터 추출 라이브러리다.글로벌 회계법인(Big 4)들의 도입세도 눈에 띈다. 딜로이트는 자..

PyMuPDF-Layout은 어떻게 시작되었을까요?*PyMuPDF-Layout은 'PyMuPDF Pro' 패키지에 포함된 표 등 레이아웃 전용 추출 라이브러리입니다. 복잡한 레이아웃 문서를 파싱할때 PyMuPDF Pro와 Layout을 이용하면 더욱 정확한 문서 파싱이 가능합니다.지난해 9월, 유럽과 아시아 각지에서 일하던 ePapyrus와 Artifex 팀원들이 한자리에 모였습니다.( ePapyrus와 Artifex는 전 세계 거의 모든 타임존에 팀원이 있는 회사입니다.)장소는 샌프란시스코 본사에서 북쪽으로 약 70마일 떨어진 작은 해안 도시였습니다.안개가 자욱한 그곳에서, 우리는 일주일 내내 단 하나의 질문만을 놓고 이야기를 나눴습니다.35년 동안 쌓아온 문서 처리 경험, 특히 PDF처럼 구조가 복잡..

Google이 최근 Gemini 3.0을 공개하면서 문서 AI 업계가 꽤 들썩이고 있습니다.멀티모달 성능이 좋아졌다는 얘기도 많고, 실제로 문서 처리 회사들 중 일부는 벌써 파싱 작업에 적용해서 필기체 인식이나 읽기 순서 감지 같은 부분의 개선을 확인했다고 합니다.하지만 초기 사용자들은 여전히 해결되지 않은 문제도 발견했습니다.복잡한 레이아웃에서는 성능이 떨어지고, 취소선 같은 텍스트 스타일을 제대로 못 잡는 경우가 많으며, 특정 텍스트 위치를 박스로 표시해 인용하는(bounding-box citation) 기능도 정확하지 않다는 점이죠.사실 이건 그렇게 놀라운 일도 아닙니다.PDF를 다룰 때 비전 기반 시스템은 근본적으로 넘어야 할 벽이 있어요.쉽게 말하면:애초에 문제 자체를 잘못 정의하고 있는 셈입니..

PDF 텍스트 검색 및 치환: PyMuPDF Pro로 간단하게 해결하기PDF 편집은 오래전부터 개발자들에게 까다로운 작업이었지만, PyMuPDF Pro를 사용하면 훨씬 간단하게 처리할 수 있습니다.회사 이름을 업데이트하거나, 오타를 수정하거나, 여러 문서에 걸쳐 오래된 정보를 교체해야 할 때 PyMuPDF Pro는 강력한 검색 및 치환 기능을 제공합니다.PyMuPDF Pro란?PyMuPDF Pro는 MuPDF의 파이썬 바인딩으로, 가볍고 빠른 PDF 툴킷입니다.속도가 빠르고 메모리 효율이 뛰어나며, 텍스트 추출·렌더링·수정까지 다양한 기능을 제공합니다.특히 일부 라이브러리처럼 새 문서를 생성하지 않고, 기존 PDF의 구조와 포맷을 유지한 채 직접 수정할 수 있다는 장점이 있습니다.설치아래와 같이 pip으..

📄 PDF 워터마킹 완전 가이드: PyMuPDF Pro로 구현하는 텍스트/이미지 워터마크워터마킹이 중요한 이유PDF 워터마킹은 지적 재산권 보호, 브랜딩, 문서 보안 유지를 위해 필수적인 기술입니다.기밀 비즈니스 문서에 'CONFIDENTIAL' 표시를 하거나, 보고서에 회사 로고를 삽입하거나, 창작물을 보호하기 위해 워터마크를 추가하는 경우 등 워터마크는 문서 보안에 빼놓을 수 없는 전문적이고 효과적인 수단입니다.🐍 PyMuPDF Pro: 빠르고 강력한 PDF 워터마킹 도구기능이 제한적인 다른 라이브러리 제품과 달리, PyMuPDF Pro는 다음과 같은 장점을 제공합니다:빠른 처리 속도텍스트 및 이미지 워터마크 모두 지원광범위한 사용자 정의 옵션대량 처리(batch processing)까지 지원⚙️..

📄 PyMuPDF Pro를 활용한 PDF 표 추출: 실무 중심 활용 가이드오늘은 PyMuPDF Pro를 이용해 PDF 문서에서 표를 추출하는 과정을 살펴보고, 이를 다양한 실무 환경에서 어떻게 활용할 수 있는지에 대해 설명합니다.많은 PDF 문서(특히 스프레드시트나 데이터 내보내기 결과물에서 생성된 문서)는 **구조화된 표(table)**를 포함하고 있으며, 이를 가공 가능한 형식으로 변환하는 것이 중요합니다.이 글에서는 표 추출의 중요성과 대표적인 활용 사례, 그리고 PyMuPDF Pro의 향상된 기능(예: Markdown 변환, pandas DataFrame 내보내기 등)이 이 과정을 어떻게 지원하는지를 설명합니다.✅ 표 추출이 중요한 이유금융, 학계, 기업 환경 등에서 접하게 되는 많은 문서들은 ..

안녕하세요, 이파피루스입니다.앞으로 이파피루스의 신제품 데이터 추출 파이썬 라이브러리 PyMuPDF Pro의 유용하고도 다양한 활용법을 실제 코드 예시를 포함하여 시리즈로 전해드릴 예정입니다. 많은 관심 부탁드립니다😊 추출된 데이터가 부족하게 느껴지거나 문서 전체의 내용이 잘 추출되지 않았던 경험,혹은 문서 처리 시간이 너무 길어 파이프라인이 불필요하게 지연된 경험이 있으신가요?이파피루스에서 텍스트 추출의 두 가지 주요 접근 방식인 ‘네이티브(Native)’와 ‘OCR’을 소개하고, 이를 어떻게 그리고 언제 활용하면 효율적일지 소개합니다!1. 네이티브 텍스트 추출이란?이 방식은 PyMuPDF Pro의 핵심 기능을 이용해 문서에서 텍스트를 직접 추출하는 방법입니다. Page.get_text() 메서드를 ..

안녕하세요~ 이파피루스 블로그 메인이벤터 피터펜입니다. 이번 포스팅은 PDF 문서에서 특정 페이지만 따로 추출하는, 멋진 PDF 편집 방법에 대해 알아봅니다. 대략 피터펜 스타일을 보시면 알겠지만 간편하고 쉽게 알려드릴테니 잘 보셨다가 요긴하게 쓰시길 바랍니다. 바로 시작하겠습니다. 먼저, 추출할 페이지가 있는 PDF 문서를 PDF-Pro 5로 활짝 열어주세요. 그런 다음 PDF-Pro 5 프로그램 창 위에 있는 [문서] 메뉴를 클릭하고, 하위 메뉴 중에 [페이지 추출(E)...]을 클릭합니다. 제 정신으로 정상적으로 했다면 아래 그림과 같은 창이 뜹니다. 뭘 하는 창인지 단번에 느낌이 옵니다. 느낌이 안오면 창에 써 있는 설명글을 읽으시기 바랍니다. 입력란에 추출할 페이지의 페이지 번호를 사정없이 입력..