OpenDataLoader PDF v2 - Java 기반 Apache 2.0 PDF 파서

개요

두 가지 모드

이번 테스트는 Local 모드만 사용했다. Hybrid 모드는 별도 서버(opendataloader-pdf-hybrid) 실행이 필요하여 미테스트.

차별화 기능

• XY-Cut++: 개선된 읽기 순서 알고리즘 (0.94 정확도)
• 바운딩 박스: 모든 요소에 [left, bottom, right, top] 좌표 제공
• 프롬프트 인젝션 감지: 숨겨진 텍스트, 투명 폰트, 페이지 밖 콘텐츠 자동 필터 (기본 활성)
• 개인정보 마스킹: --sanitize 옵션 (이메일, 전화번호, IP, 신용카드)
• Tagged PDF 지원: PDF 구조 태그 읽기 (접근성)
• MCP 서버: v2.1.1에서 AI 에이전트 통합용 MCP 추가

설치 및 사용법

# Java 필요
brew install openjdk  # macOS
 
# Python 패키지 설치 (JAR 번들 포함)
uv pip install opendataloader-pdf

Python API

from opendataloader_pdf import convert
 
# 기본 변환 (Markdown)
convert(input_path="input.pdf", output_dir="./output", format="markdown")
 
# JSON + Markdown
convert(input_path="input.pdf", output_dir="./output", format="json,markdown")
 
# 옵션
convert(
    input_path="input.pdf",
    output_dir="./output",
    format="markdown",
    reading_order="xycut",      # XY-Cut++ 읽기 순서
    table_method="cluster",     # 테이블 감지 방식
    image_output="embedded",    # 이미지 추출
    quiet=True,
)

주요 옵션

파싱 결과 예시 (Attention Is All You Need)

헤딩

# arXiv:1706.03762v7[cs.CL]2 Aug 2023
#### Attention Is All You Need
###### Abstract
###### 1 Introduction
###### 2 Background
###### 3 Model Architecture

####(H4)를 제목에, ######(H6)를 섹션에 사용하는 독특한 매핑. 계층은 구분되지만 관례적이지 않다.

테이블 (Table 1)

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)

Markdown 테이블 구문 없이 텍스트로만 추출. 테이블 구조가 완전히 손실됨 — 이 부분이 가장 큰 약점.

수식

QKT √dk
Attention(Q,K,V ) = softmax(         )V (1)

LaTeX 미지원. 텍스트로만 추출.

이미지

![image 1](04_complex_layout_images/imageFile1.png)
Figure 1: The Transformer - model architecture.

이미지 추출 O — ![image N]() 형태로 Markdown에 참조. MinerU/Marker와 유사한 방식.

READoc 벤치마크 결과

파서 비교

관찰

• Local 모드로만 테스트하여 Docling(74.3%)보다 약간 낮음 (72.6%)
• Hybrid 모드를 사용하면 훨씬 높을 것으로 예상 (공식 벤치마크 0.90)
• 테이블이 텍스트로만 추출되는 것이 Local 모드의 가장 큰 약점
• Apache 2.0 라이선스 + 이미지 추출 지원은 Docling 대비 장점
• 일부 문서에서 Java StackOverflowError 발생 (긴 헤딩 체인 재귀)

공식 벤치마크 참고 (opendataloader-bench, 200문서)

이 벤치마크는 OpenDataLoader 팀이 자체 제작한 것이므로, 객관성에 유의 필요. 다만 벤치마크 코드는 opendataloader-bench에서 재현 가능.

장단점

장점

• Apache 2.0 라이선스
• 이미지 추출 지원
• XY-Cut++ 읽기 순서 알고리즘
• 개인정보 마스킹 (sanitize 옵션)
• 프롬프트 인젝션 감지 (보안 기능)
• GPU 불필요

단점

• 테이블 구조 손실 — Markdown 테이블 미생성
• 수식 LaTeX 미지원
• Java 런타임 필요 (Python/Node.js만으로 안 됨)
• 일부 문서에서 StackOverflowError
• 헤딩 레벨 매핑이 관례적이지 않음 (H4/H6 사용)

추천 사용처

참고

• OpenDataLoader GitHub
• PyPI: opendataloader-pdf
• PDF 파서 5종 비교
• Docling 분석 — 같은 Apache 2.0/MIT 진영

이 파서의 헤딩/테이블/수식/이미지 처리 결과를 다른 파서와 직접 비교한 글: PDF 파서 5종 비교 분석