pdfprep 0.1.2

PDF 전처리 통합 도구 — 메타데이터, 텍스트 파싱, OCR, 표 추출

pdfprep

PDF 전처리 통합 도구 — 메타데이터 / 텍스트 파싱 / OCR / 표 추출 4가지 작업을 한 패키지로.

여러 PDF 처리 라이브러리(pypdf, pdfplumber, pymupdf, tesseract, paddleocr, camelot, tabula, layoutparser)를 일관된 인터페이스로 감싸서, 엔진별 결과를 한 번에 비교·선택할 수 있습니다.

설치

# 기본 (메타데이터 + 파싱만)
pip install pdfprep

# OCR 포함
pip install "pdfprep[ocr]"

# 표 추출 포함
pip install "pdfprep[table]"

# 전체
pip install "pdfprep[all]"

시스템 패키지 (해당 기능을 쓸 때만)

기능	패키지	설치
ocr (tesseract)	tesseract 바이너리 + 언어 데이터	sudo apt install tesseract-ocr tesseract-ocr-kor
table (camelot lattice 모드)	Ghostscript	sudo apt install ghostscript
table (tabula)	Java 런타임	sudo apt install default-jre
table (layoutparser)	(없음 — paddlepaddle만 있으면 됨, 최초 실행 시 모델 자동 다운로드)	—

빠른 시작

1. 메타데이터

from pdfprep import metadata

metadata.show_pdf_metadata("sample.pdf")
# 파일 크기 / 페이지 수 / Title / Author / 생성일 등 출력

2. 텍스트 파싱

from pdfprep import parsing

result = parsing.parse_pdf("sample.pdf", engine="pymupdf")
print(result["text"])
print(result["features"])  # 블록 수, 폰트, 이미지 수 등 엔진 특화 정보

지원 엔진: pypdf, pdfplumber, pymupdf

3. OCR

from pdfprep import ocr

result = ocr.ocr_pdf("scan.pdf", engine="tesseract")
print(result["text"])
print(result["features"]["평균 신뢰도(%)"])

지원 엔진: tesseract, paddleocr

4. 표 추출

from pdfprep import table

result = table.extract_tables("doc.pdf", engine="camelot")
for t in result["tables"]:
    print(t["df"])  # pandas DataFrame

지원 엔진: camelot, tabula, layoutparser

CLI

설치 후 다음 명령들이 자동으로 등록됩니다:

pdfprep-metadata sample.pdf
pdfprep-parse    sample.pdf pymupdf       # 엔진 생략 시 전체 비교
pdfprep-ocr      sample.pdf tesseract
pdfprep-table    doc.pdf    camelot

공통 API

모든 함수는 dict를 반환하며 공통 키가 같습니다:

{
    "engine":      "pymupdf",        # 사용 엔진
    "page_count":  3,                # 페이지 수
    "text":        "...",            # 통합 텍스트
    "pages":       ["...", ...],     # 페이지별 텍스트
    "features":    {...},            # 엔진 특화 지표
}

표 추출은 추가로 table_count와 tables (DataFrame 또는 bbox 리스트)를 포함합니다.

엔진별 특징

모듈	엔진	강점
parsing	pypdf	가벼움. 목차/폼/주석/암호화 메타
parsing	pdfplumber	표·단어/문자 bbox·도형(선·사각형)
parsing	pymupdf	빠름. 블록 구조 + 폰트/색상/이미지 메타
ocr	tesseract	빠름. 다국어 동시 인식. 단어별 신뢰도
ocr	paddleocr	딥러닝. 검출+인식 2단계. 라인 박스 + 신뢰도
table	camelot	DataFrame + accuracy/whitespace 품질 지표
table	tabula	DataFrame + 자동 헤더 인식
table	layoutparser	표 영역 bbox 검출(TableBank 모델). 셀 추출은 X

요구 사항

• Python ≥ 3.12
• Linux 권장 (macOS·Windows에서도 동작하지만 시스템 패키지 설치 방법은 다름)

라이선스

MIT