KSCOLD LogoKSCOLD
Blog
Feed
Product
Admin Night
Vault
Guestbook
Info

Vault 목록

PyMuPDF

연결된 노트와 함께 읽기

PyMuPDF

2026년 6월 26일

PyMuPDF

  • PyMuPDF는 Python에서 PDF를 다루기 좋은 라이브러리다.
  • 설치 패키지 이름은 pymupdf이고, 코드에서 import할 때는 보통 fitz라는 이름을 쓴다.
  • 그래서 실습에서는 pip install pymupdf 후 import fitz 형태가 자주 나온다.

왜 fitz라고 import하나

Python
Python
  • fitz는 PyMuPDF의 오래된 모듈 이름이다.
  • 라이브러리 이름은 PyMuPDF지만, 사용할 때는 fitz.open(...)처럼 쓰는 경우가 많다.
  • 따라서 pymupdf라는 라이브러리를 설치하고 fitz로 import한다고 기억하면 된다.

기본 텍스트 추출

Python
  • fitz.open(pdf_path)는 PDF 파일을 연다.
  • page.get_text("text")는 해당 페이지의 텍스트를 추출한다.
  • 페이지 번호를 같이 저장하면 나중에 RAG 답변에서 출처를 표시하기 쉽다.

스캔 PDF 처리 흐름

Python
  • 스캔 PDF는 page.get_text()로 텍스트가 거의 안 나올 수 있다.
  • 이때는 PyMuPDF로 페이지를 이미지로 렌더링한 뒤 OCR 엔진에 넘긴다.
  • OCR 엔진 예시는 Tesseract, EasyOCR, cloud OCR 등이 있다.

RAG에서 쓰는 이유

  • PDF를 페이지 단위로 읽을 수 있다.
  • 텍스트 추출이 빠르고 코드가 단순하다.
  • 페이지별 metadata를 붙이기 좋다.
  • 이미지 PDF일 때도 페이지를 이미지로 변환해 OCR 파이프라인으로 넘길 수 있다.

한계

  • 텍스트 레이어가 없는 스캔 PDF는 PyMuPDF만으로 글자를 정확히 읽을 수 없다.
  • 표, 복잡한 레이아웃, 2단 문서에서는 텍스트 순서가 깨질 수 있다.
  • OCR 품질은 이미지 해상도, 글자 선명도, 문서 언어에 영향을 많이 받는다.

한 줄 정리

  • PyMuPDF는 PDF를 LLM/RAG에 넣기 전 텍스트를 뽑거나 페이지 이미지를 만드는 데 좋은 Python 라이브러리다.
  • 설치는 pymupdf, 사용은 import fitz로 기억하면 된다.

Synapse Map Insight

pip install pymupdf
import fitz
import fitz pdf_path = "sample.pdf" doc = fitz.open(pdf_path) texts = [] for page_no, page in enumerate(doc, start=1): text = page.get_text("text") texts.append({ "page": page_no, "text": text, }) full_text = "\n\n".join(item["text"] for item in texts) print(full_text[:1000])
import fitz pdf_path = "scanned.pdf" doc = fitz.open(pdf_path) for page_no, page in enumerate(doc, start=1): pix = page.get_pixmap(dpi=200) image_path = f"page_{page_no}.png" pix.save(image_path)