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
pip install pymupdf

Python
import fitz

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
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])

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
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)

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.

PyMuPDF

왜 fitz라고 import하나

기본 텍스트 추출

스캔 PDF 처리 흐름

RAG에서 쓰는 이유

한계

한 줄 정리

Synapse Map Insight