PDF 파서 5종 비교 분석 - 같은 문서, 다른 결과

테스트 문서

Attention Is All You Need (Vaswani et al., 2017)

• 15페이지, 2단 레이아웃
• 테이블 4개 (Table 1~4, rowspan/colspan 포함)
• 수식 다수 (인라인 + 디스플레이)
• Figure 2개
• 각주, 참고문헌

1. 헤딩 레벨 비교

논문의 헤딩 구조: 3 Model Architecture → 3.1 Encoder → 3.2 Attention → 3.2.1 Scaled Dot-Product

실제 출력:

MinerU — 전부 # (H1):

# 3 Model Architecture
# 3.1 Encoder and Decoder Stacks
# 3.2.1 Scaled Dot-Product Attention

Marker — H1/H3/H4 구분 (유일!):

# 3 Model Architecture
### 3.1 Encoder and Decoder Stacks
#### Scaled Dot-Product Attention

Docling — 전부 ## (H2):

## 3 Model Architecture
## 3.1 Encoder and Decoder Stacks
## Scaled Dot-Product Attention

PyMuPDF4LLM — #/## 혼합:

# **Attention Is All You Need**
## **3 Model Architecture**
## **3.2.1 Scaled Dot-Product Attention**

LiteParse — 헤딩 구분 없음 (순수 텍스트):

3 Model Architecture
3.1 Encoder and Decoder Stacks

결론: Marker만 헤딩 계층을 구분한다. 나머지는 전부 단일 레벨.

2. 테이블 비교 (Table 1)

원본 Table 1: Layer Type별 복잡도 비교

MinerU — HTML <table>

원본 소스:

<table><tr><td>Layer Type</td><td>Complexity per Layer</td>
<td>Sequential Operations</td><td>Maximum Path Length</td></tr>
<tr><td>Self-Attention</td><td>O(n² ·d)</td><td>0(1)</td><td>0(1)</td></tr>
<tr><td>Recurrent</td><td>O(n·d²)</td><td>O(n)</td><td>0(n）</td></tr>
...</table>

렌더링 결과:

Marker — Markdown + LaTeX 수식

원본 소스:

| Layer Type | Complexity per Layer | Sequential<br>Operations | Maximum Path Length |
|---|---|---|---|
| Self-Attention | $O(n^2 \cdot d)$ | O(1) | O(1) |
| Recurrent | $O(n \cdot d^2)$ | O(n) | O(n) |
| Convolutional | $O(k \cdot n \cdot d^2)$ | O(1) | $O(log_k(n))$ |
| Self-Attention (restricted) | $O(r \cdot n \cdot d)$ | O(1) | O(n/r) |

렌더링 결과:

Docling — 깔끔한 Markdown

원본 소스:

| Layer Type                  | Complexity per Layer   | Sequential Operations   | Maximum Path Length   |
|-----------------------------|------------------------|-------------------------|-----------------------|
| Self-Attention              | O ( n 2 · d )          | O (1)                   | O (1)                 |
| Recurrent                   | O ( n · d 2 )          | O ( n )                 | O ( n )               |

렌더링 결과:

PyMuPDF4LLM — Markdown + 이탤릭 수식

원본 소스:

|Layer Type|Complexity per Layer|Sequential|Maximum Path Length|
|---|---|---|---|
|||Operations||
|Self-Attention|_O_(_n_2 _· d_)|_O_(1)|_O_(1)|
|Recurrent|_O_(_n · d_2)|_O_(_n_)|_O_(_n_)|

렌더링 결과:

LiteParse — ASCII 공간 배치

 Layer Type                Complexity per Layer  Sequential  Maximum Path Length
                                                 Operations
 Self-Attention                 O(n2 · d)           O(1)             O(1)
 Recurrent                      O(n · d2)           O(n)             O(n)
 Convolutional        O(k · n · d2)                 O(1)          O(logk(n))
 Self-Attention (restricted)  O(r · n · d)          O(1)            O(n/r)

결론:

• MinerU: HTML 테이블로 구조 완벽 보존, 수식은 유니코드 (n²)
• Marker: Markdown 테이블 + LaTeX 수식 ($O(n^2)$) — 가장 풍부
• Docling: 깔끔한 Markdown, 수식은 공백 포함 텍스트
• PyMuPDF4LLM: Markdown 테이블, 수식은 이탤릭 텍스트
• LiteParse: 공간 배치만, 구조 없음

3. 수식 비교

원본 수식: $\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V$

MinerU:

$$\mathrm{Attention}(Q,K,V) = \mathrm{softmax}(\frac{QK^T}{\sqrt{d_k}})V$$

Marker:

$$Attention(Q, K, V) = softmax(\frac{QK^T}{\sqrt{d_k}})V$$

Docling:

Attention(Q, K, V ) = softmax( QK T dk )V

PyMuPDF4LLM:

Attention( Q, K, V ) = softmax( QK T √dk )V

LiteParse:

Attention(Q, K, V ) = sof tmax( QKT     )V
                                  √dk

결론:

• MinerU, Marker: LaTeX 변환 O ($$...$$ 블록)
• Docling, PyMuPDF4LLM: 텍스트로만 추출 (LaTeX 변환 X)
• LiteParse: 공간 배치로 √ 기호와 분수를 시각적으로 표현 (독특하지만 구조화 아님)

4. 이미지 추출 비교

5. 벤치마크 결과 차트

READoc Edit Similarity (92 arXiv 논문)

속도 vs 품질

처리 속도 비교

OmniDocBench 요소별 성능 (이미지 기반)

6. 종합 비교

용도별 추천

참고

• MinerU 분석
• Docling 분석
• Marker 분석
• PyMuPDF4LLM 분석
• LiteParse 분석
• OmniDocBench 요소별 성능 비교