본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
(~6/20) 50일의 기적 AI 환급반💫 | 패스트캠퍼스
초간단 미션! 하루 20분 공부하고 수강료 전액 환급에 AI 스킬 장착까지!
fastcampus.co.kr
오늘은 복잡한 문서 파싱 문제를 효과적으로 해결하기 위한 두 가지 도구인 LlamaParse와 Docling에 대해 실습하며, LLM 기반 문서 구조화 기술에 대한 이해를 심화할 수 있었다. 먼저 LlamaParse는 Hugging Face 기반 API로서 문서의 시각적 레이아웃과 논리적 구조를 함께 고려해 마크다운 형태로 문서를 파싱해주는 강력한 도구였다. 단순한 텍스트 추출이 아닌 페이지 단위로 구조화된 정보를 얻을 수 있어, RAG 시스템에 넣기 적합한 Document 객체 형태로 쉽게 변환할 수 있었던 점이 인상 깊었다. 다양한 파싱 모드(parse_page_with_llm, parse_page_with_agent 등)를 실습해보며, 성능·속도·비용 간 trade-off를 실제로 느낄 수 있었다.
이어서 학습한 Docling은 오픈소스로 제공되는 문서 파싱 프레임워크로, PDF 문서를 HTML, 마크다운, doctag(XML 기반) 형식으로 구조화할 수 있었다. OCR, 테이블 구조 인식, 셀 매칭 등의 고급 기능도 지원되며, 특히 Tableformer 기반의 테이블 분석 기능이 매우 인상적이었다. 실습에서는 실제 문서에 대해 OCR 옵션과 파이프라인 설정을 커스터마이징하면서 구조화 과정을 자동화했고, 결과물을 JSON이나 텍스트 파일로 출력하여 후처리하기 쉬운 형식으로 저장할 수 있었다. LlamaParse가 외부 API 기반의 강력한 고정밀 파서였다면, Docling은 로컬에서 유연하게 확장 가능한 구조화 엔진에 가까웠다.
두 도구를 통해 문서 기반 질의응답, 요약, 정보 추출 등의 실제 서비스 개발에 직접 적용 가능한 파싱 전략을 구체적으로 체득할 수 있었으며, 향후 문서 처리 파이프라인을 구성할 때 중요한 기반이 될 것이라 확신하게 되었다.
