가이드
PDF에서 제품 데이터를 추출하는 방법
공급업체 PDF에는 카탈로그에 필요한 사양이 들어 있지만, 바로 가져올 수 있는 형태는 아닙니다. PDF를 구조화된 제품 데이터로 바꾸는 네 가지 방법과 선택 기준을 소개합니다.
제품 데이터 추출이란 문서에 인쇄된 값, 즉 모델 번호, 치수, 재질, 용량, 정격, 경고 문구 등을 시스템이 사용할 수 있는 필드로 바꾸는 작업을 말합니다. 소량의 제품이라면 직접 복사해도 충분합니다. 그러나 수백 개의 SKU를 가진 공급업체 카탈로그에 제조업체마다 PDF 레이아웃이 다르다면, 어떤 방법을 택하느냐에 따라 온보딩 시간과 스토어에 반영되는 오류의 수가 달라집니다.
아래에서 흔히 쓰이는 네 가지 방식을 비교한 뒤, 방법과 관계없이 중요한 점검 사항을 다룹니다.
출력 형태부터 정하기: 제품 스키마 정의
무엇이든 추출하기 전에 어떤 필드가 필요하고 어떤 형식이어야 하는지 정하세요. 소형 가전의 스키마라면 모델, 브랜드, EAN, 밀리미터 단위의 너비/높이/깊이, 킬로그램 단위의 무게, 와트 단위의 전력, 전압, 재질, 색상, 경고 문구가 포함될 수 있습니다. 단위와 허용 값을 미리 정의해 두면 공급업체가 달라도 추출된 데이터를 서로 비교할 수 있습니다.
여러 채널에서 판매한다면 각 필드를 해당 채널이 쓰는 속성명(예: Shopify 제품 옵션이나 WooCommerce 속성)에 매핑해 두세요. 그러면 추출 결과를 다시 재구성하지 않고도 재사용할 수 있습니다.
방법 1: 수동 복사 및 붙여넣기
누군가 PDF를 열고 값을 스프레드시트나 상품 입력 양식에 입력하거나 붙여넣습니다. 별도 도구가 필요 없고 어떤 레이아웃도 처리할 수 있어서 대부분의 팀이 이 방식으로 시작합니다.
물량이 늘수록 비용도 커집니다. 느리고, 집중력이 흐트러지며, 모델 번호의 숫자가 바뀌거나 엉뚱한 열의 값을 가져오는 것 같은 옮겨 적기 오류는 나중에 발견하기 어렵습니다. 수동 입력은 소규모 카탈로그에 적합하며, 자동화 방식 위에 얹는 검토 단계로도 쓸 수 있습니다.
방법 2: PDF 표 추출 도구
표 추출 도구(오픈소스 옵션과 PDF 편집기의 내보내기 기능 포함)는 디지털 PDF에서 표를 감지해 CSV나 Excel로 내보냅니다. 데이터가 정말로 깔끔한 표 안에 있다면 빠릅니다.
그러나 본문 문장으로 쓰인 값, 병합된 셀, 여러 페이지에 걸친 표, 스캔 문서에는 취약하며, 이름이 붙은 필드가 아니라 원시 표를 반환합니다. 따라서 열을 스키마에 매핑하고 헤더, 단위, 각주를 정리하는 일은 여전히 직접 해야 합니다.
방법 3: 템플릿 또는 영역 기반 파싱
템플릿 기반 파서는 특정 레이아웃에서 각 필드가 페이지의 어디에 있는지 정의할 수 있게 해 줍니다. 한 번 설정하면 같은 레이아웃의 모든 문서가 일관되게 추출되므로, 한 발신자가 보내는 청구서처럼 동일한 문서가 대량으로 오는 경우에 적합합니다.
공급업체 데이터 시트는 그렇게 균일한 경우가 드뭅니다. 제조업체마다, 그리고 종종 제품 라인마다 별도의 템플릿이 필요하며, 공급업체가 디자인을 바꾸면 템플릿이 깨집니다. 여러 공급업체에서 가져오는 카탈로그라면 유지 관리 부담이 곧 이점을 넘어서게 됩니다.
방법 4: AI 추출
AI 추출은 언어 모델과 비전 모델을 사용해 사람이 읽는 것처럼 문서를 읽습니다. 모델 번호가 헤더에 있든, 표에 있든, 문장 속에 있든 찾아내어, 스키마의 필드를 값과 단위와 함께 반환합니다. 고정된 위치에 의존하지 않으므로 하나의 설정으로 스캔 페이지를 포함해 다양한 공급업체 레이아웃을 처리할 수 있습니다.
다만 AI가 내놓은 결과는 반드시 검토해야 한다는 단점이 있습니다. 좋은 도구는 추출한 값마다 신뢰도 표시와 원본 근거를 보여 주어 검토자가 불확실한 값에 집중할 수 있게 하고, 문서에 기재되지 않은 필드는 추측하지 않고 비워 두거나 표시해 둡니다. Doc2Shelf의 PDF 제품 데이터 추출은 각 추출 결과의 신뢰도와 완전성을 점수로 매기고, 추출한 사실을 해당 페이지와 짧은 인용문과 함께 기록합니다. 검토를 마친 레코드는 리스팅과 규정 준수 문서 초안에 활용할 수 있습니다.
방법 선택 기준
실무적인 기준은 다음과 같습니다.
- 제품이 대략 20개 미만이거나 일회성 추가: 명확한 스키마를 갖춘 수동 입력.
- 깔끔한 디지털 표, 공급업체 한두 곳: 표 추출 도구와 후속 정리.
- 동일한 레이아웃의 대량 문서: 템플릿 파싱.
- 공급업체가 많거나, 레이아웃이 다양하거나, 스캔 PDF인 경우: 사람의 검토를 거치는 AI 추출.
추출 데이터의 정확성을 지키는 점검 사항
어떤 방법을 쓰든 오류의 대부분은 같은 문제에서 발생합니다. 다음 점검 항목을 검토 단계에 포함하세요.
- 모델 매핑: 한 시트가 여러 모델을 다룰 때 각 값이 올바른 모델 열에 속하는지 확인합니다.
- 단위: 단위(mm와 cm, W와 kW)를 정규화하고 모든 숫자 값에 단위를 함께 보관합니다.
- 각주와 조건: 용량이나 작동 시간 같은 값은 명시된 시험 조건에 따라 달라지는 경우가 많습니다.
- 식별자: EAN/GTIN 체크 디지트와 모델 번호를 한 글자씩 확인합니다.
- 누락되거나 상충하는 값: 문서에 없는 값을 추정하지 말고 공급업체에 문의합니다.
- 추적 가능성: 누구든 나중에 값을 다시 확인할 수 있도록 원본 PDF를 레코드에 연결해 둡니다.
추출 방법 한눈에 비교
위의 네 가지 방법은 읽을 수 있는 대상보다는 정확도를 좌우하는 요인과 필요한 설정 작업량에서 더 크게 다릅니다. OCR도 비교에 포함되지만 하나의 방법이라기보다 하나의 계층입니다. 스캔한 페이지를 텍스트로 바꿔 줄 뿐이며, 그 텍스트를 필드로 바꾸는 일은 다른 방법이 맡아야 합니다.
정확도는 방법 하나만으로 결정되지 않습니다. 입력하는 문서, 스키마가 각 필드를 얼마나 명확하게 정의하는지, 검토 단계가 얼마나 엄격한지에 따라 달라지므로, 공개된 수치에 의존하기보다 자사 공급업체 PDF 샘플로 직접 측정해 보는 것이 좋습니다.
| 방법 | 정확도를 좌우하는 요인 | 설정 작업량 | 결과물 | 적합한 경우 |
|---|---|---|---|---|
| 수동 입력 | 검토자의 주의력과 명확한 스키마 | 없음 | 입력한 그대로의 이름 있는 필드 | 소규모 카탈로그, 일회성 추가, 검토 단계 |
| 복사·붙여넣기 또는 PDF를 Excel로 내보내기 | 실제 텍스트 레이어와 깔끔하고 병합되지 않은 표 | 낮음 | 직접 매핑해야 하는 원문 텍스트 또는 표 | 한두 곳의 공급업체에서 받은 깨끗한 디지털 표 |
| 템플릿 또는 영역 기반 파싱 | 모든 문서가 동일한 레이아웃을 유지할 것 | 레이아웃마다 높음, 레이아웃이 바뀌면 다시 높음 | 이름 있는 필드 | 고정된 하나의 레이아웃으로 대량 처리 |
| OCR | 스캔 해상도, 대비, 기울어짐, 글꼴, 언어 | 낮음~중간 | 텍스트만 | 스캔한 페이지를 다른 방법이 읽을 수 있게 만들기 |
| LLM 기반 추출 | 스키마의 명확성, 문서 품질, 검토의 엄격함 | 레이아웃당 낮음, 검토 워크플로가 필요함 | 값과 단위가 포함된 이름 있는 필드 | 공급업체가 많고 레이아웃이 다양하며 서술형 텍스트와 표가 섞인 경우 |
사양 표와 다중 변형 표 처리하기
데이터시트의 추출 오류는 대부분 표에서 발생하며, 그중 대부분은 하나의 표가 여러 모델을 설명할 때 생깁니다. 읽는 사람에게는 분명해 보이는 표도 파서나 지친 사람이 틀리기 쉬운 구조를 숨기고 있습니다. 단위가 머리글에만 표시되어 있거나, 셀이 여러 모델에 걸쳐 병합되어 있거나, 숫자에 각주 표시가 붙어 있거나, 표가 다음 페이지로 이어지는 경우가 그렇습니다.
어떤 값이든 레코드에 복사하기 전에 각 사양 표를 정해진 순서대로 확인하세요.
- 방향을 파악합니다. 모델이나 변형이 열에 있는지 행에 있는지 확인하고, 마지막에 레코드 수를 대조할 수 있도록 그 개수를 기록해 둡니다.
- 괄호 안의 단위를 포함해 모든 머리글 행을 읽고, 해당 열이나 행의 각 셀에 단위를 적용합니다.
- 병합된 셀을 펼칩니다. 여러 모델 열에 걸친 값은 첫 번째 모델만이 아니라 해당하는 모든 모델에 적용됩니다.
- 여러 페이지로 나뉜 표를 다시 합치면서, 반복되는 머리글이 데이터 행으로 읽히지 않았는지, 페이지가 넘어가는 지점에서 누락된 행이 없는지 확인합니다.
- 각주 표시를 숫자와 분리합니다. “1.1¹”은 1.11이 아니라 1.1에 각주 1이 붙은 것이며, 각주 내용은 해당 값의 조건으로 저장합니다.
- 빈칸, “—”, “n/a”, “선택 사항”을 구분합니다. 빈칸은 알 수 없음을, 대시는 대개 해당 없음을 뜻하며, 어느 쪽도 0이 되어서는 안 됩니다.
- 표 아래의 “전 모델: 230 V”처럼 표 밖에 있는 값을 찾아 해당하는 모든 모델에 적용합니다.
- 표를 모델 또는 변형별로 하나의 레코드로 나눈 다음, 레코드 수가 1단계에서 기록한 수와 일치하는지 확인합니다.
스캔한 PDF와 OCR 품질
먼저 PDF에 텍스트 레이어가 있는지 확인하세요. 텍스트를 선택하거나 검색할 수 있다면 디지털 문서이고, 그렇지 않다면 이미지이므로 어떤 표 도구로든 읽으려면 먼저 OCR이 필요합니다. 공급업체가 스캔본을 보내면 디지털 원본을 요청하세요. 한 종류의 오류를 통째로 없앨 수 있습니다. 직접 스캔해야 한다면 텍스트 기준으로 약 300 dpi의 해상도가 일반적으로 권장되며, 해상도만큼이나 똑바르고 대비가 높은 페이지가 중요합니다.
OCR 오류는 그럴듯한 결과를 만들어 내기 때문에 위험합니다. 혼동되는 문자는 예측할 수 있으므로 점검 방법도 마찬가지로 정해 둘 수 있습니다.
| OCR 오류 | 예시 | 발견 방법 |
|---|---|---|
| 문자와 숫자 혼동(O/0, l/1, S/5, B/8) | AX-100 대신 “AX-1OO” | 모델 번호 패턴 점검, GTIN 체크 디지트 확인 |
| 소수점 구분 기호 누락 | “1,5 l”이 “15 l”로 읽힘 | 속성별 타당 범위 확인 |
| 각주가 숫자에 합쳐짐 | “1.1¹ kg”이 “1.11 kg”으로 읽힘 | 같은 계열 모델과 비교하고 각주 문구 확인 |
| 잘못된 읽기 순서 | 두 열이 한 줄로 합쳐짐 | 모델별 값의 개수 확인 |
| 단위 기호 오인식 | “°C”가 “oC”로, “µm”이 “um”으로 인식됨 | 속성별 허용 단위 목록 확인 |
| 마이너스 기호 또는 대시 누락 | “−20 °C”가 “20 °C”로 읽힘 | 범위의 최솟값이 최댓값 이하인지 확인 |
실제 사례: 데이터시트가 구조화된 레코드가 되기까지
위의 단계가 한 표에 두 모델이 실린 예시용 전기 주전자 데이터시트에 어떻게 적용되는지 살펴보겠습니다. 이는 설명을 위한 예시이며 실제 제품이나 측정된 추출 결과가 아닙니다. 원본의 각 줄은 필드에 매핑되고, 정규화된 후 점검을 거칩니다.
결과는 용량, 전력, 전압을 공유하면서 색상, 무게, 식별자는 각각 따로 가진 두 개의 변형 레코드와 공급업체에 확인할 두 가지 질문입니다. 가정으로 채워 넣은 값은 없습니다. 두 번째 모델의 EAN과 원산지는 공급업체가 알려 줄 때까지 비워 둡니다. 시트 하나가 아니라 여러 공급업체에 걸쳐 값과 단위를 정규화하는 방법은 제품 속성 가이드에서 다룹니다.
| 인쇄된 원본 줄 | 필드 | 추출된 값 | 적용한 점검 |
|---|---|---|---|
| 모델: AX-100 | AX-100B | model_number | AX-100, AX-100B | 열이 두 개이므로 변형 레코드도 두 개 |
| 용량 1,5 l (두 모델에 걸쳐 병합됨) | capacity | 모델별 1.5 L | 소수점 쉼표 처리, 병합된 셀을 두 모델 모두에 복사 |
| 전력 1850–2200 W | rated_power | 최소 1850 W, 최대 2200 W | 하나의 숫자가 아닌 범위로 유지 |
| 220–240 V~ 50/60 Hz | rated_voltage, frequency | 220–240 V AC, 50/60 Hz | 한 줄에 필드 두 개 |
| 색상: 헤어라인 스틸 | 블랙 | color | 헤어라인 스틸, 블랙 | 변형마다 값 하나 |
| 순중량(kg) 1.1¹ | 1.0¹ | net_weight | 1.1 kg, 1.0 kg | 단위는 머리글에서 가져옴, 각주 ¹ “받침대 제외”를 유지 |
| EAN 6291041500213 | — | gtin | 6291041500213, 비어 있음 | 체크 디지트 유효, 누락된 EAN은 요청 |
| (기재되지 않음) | country_of_origin | 비어 있음 | 공급업체에 요청, 절대 추정하지 않음 |
대표적인 실패 유형과 검증 워크플로
추출 방법과 상관없이 소수의 동일한 문서 특성이 대부분의 추출 오류를 일으킵니다. 이를 알아 두면 모든 값을 똑같은 정성으로 다시 읽는 대신 실제 위험에 맞춰 검토 절차를 설계할 수 있습니다.
- 문서를 확인합니다. 제품이 맞는지, 최신 개정판인지, 모든 페이지가 있는지 살펴봅니다.
- 모든 식별자(모델 번호, 체크 디지트를 포함한 GTIN)와 안전과 관련된 모든 값(경고, 전기 정격, 위험 정보)을 원본과 대조합니다.
- 나머지 항목은 자동 점검을 실행합니다. 단위 존재 여부, 값이 타당한 범위 안에 있는지, 필수 필드가 채워졌는지를 확인합니다.
- 나머지 필드는 공급업체별로 일부를 샘플 점검하고, 오류가 발견되면 샘플 범위를 넓힙니다.
- 해결되지 않은 공백은 추정하지 말고 공급업체에 보낼 질문으로 바꿉니다.
- 원본 PDF, 검토자, 검토 날짜를 레코드와 함께 저장합니다.
| 실패 유형 | 발생하는 문제 | 예방 방법 |
|---|---|---|
| 머리글에만 있는 단위 | 숫자만 남고 단위가 사라짐 | 머리글의 단위를 각 값에 적용하고 단위가 없는 측정값은 거부 |
| 각주와 시험 조건 | “일반적”, “25 °C에서”, “받침대 제외” 같은 조건이 누락됨 | 조건을 값과 함께 저장 |
| 병합된 셀 | 값이 첫 번째 모델에만 할당됨 | 변형으로 나누기 전에 병합된 셀을 펼침 |
| 다국어 데이터시트 | 소수점 쉼표를 잘못 읽음, 같은 값이 두 언어로 중복 추출됨 | 로케일을 고려한 숫자 파싱, 머리글 동의어 목록, 중복 제거 |
| 한 PDF에 여러 제품 | 값이 엉뚱한 제품에 연결됨 | 제품당 하나의 레코드, 각 모델 번호 확인 |
| 오래된 개정판 | 이전 시트가 최신 시트와 모순됨 | 문서 날짜 또는 개정 번호를 기록하고 최신본을 우선 사용 |
| 도면이나 이미지에만 있는 값 | 기술 도면의 치수를 놓침 | 도면을 확인하고 누락된 치수를 표시 |
자주 묻는 질문
- 스캔한 PDF에서도 데이터를 추출할 수 있나요?
- 가능하지만 먼저 OCR(광학 문자 인식)로 텍스트를 인식해야 합니다. 디지털 텍스트만 읽는 표 도구는 스캔 페이지에서 아무것도 반환하지 못합니다. OCR을 지원하는 도구와 AI 기반 도구는 읽을 수 있지만, 품질이 낮은 스캔은 더 세심한 확인이 필요합니다.
- PDF 데이터시트에서 제품 속성을 추출하려면 어떻게 하나요?
- 필요한 속성(예: 소재, 색상, 용량)을 정의한 다음, 수동으로 또는 표의 셀과 문장을 필드에 매핑하는 AI 도구로 데이터시트의 표와 본문에서 값을 가져옵니다. 마케팅 문구에만 나오는 속성은 신중하게 다루고, 기술적인 값은 사양 표와 대조해 확인하세요.
- 추출한 제품 데이터는 어떤 형식이어야 하나요?
- 후속 시스템이 가져올 수 있는 형식이면 됩니다. 스프레드시트와 스토어 가져오기 도구에는 보통 CSV, API와 PIM 시스템에는 JSON을 씁니다. 제품 변형마다 하나의 행 또는 객체를 두고, 필드명과 단위를 일관되게 유지하세요.
- AI 추출은 검토 없이 게시해도 될 만큼 정확한가요?
- 검토 없이 게시해서는 안 됩니다. AI 추출은 입력 작업 대부분을 없애 주지만, 데이터를 사용하기 전에 불확실한 필드, 식별자, 안전과 관련된 모든 내용은 사람이 원본 문서와 대조해 확인해야 합니다.
- PDF 데이터시트에서 표를 추출하는 가장 좋은 방법은 무엇인가요?
- 깨끗한 디지털 표라면 표 추출 도구와 AI 추출 도구 모두 사용할 수 있고, 스캔한 표는 먼저 OCR이 필요합니다. 어떤 도구를 쓰든 병합된 셀을 펼치고, 머리글의 단위를 각 값에 적용하며, 각주 표시를 숫자와 분리하고, 여러 모델이 담긴 표는 모델당 하나의 레코드로 나누세요.
- PDF에서 제품 데이터를 AI로 추출하면 얼마나 정확한가요?
- 문서 품질, 레이아웃의 복잡성, 필드를 얼마나 명확하게 정의했는지에 따라 달라지므로, 귀하의 문서에 그대로 적용되는 단일 정확도 수치는 없습니다. 직접 측정해 보세요. 공급업체 PDF 샘플을 추출해 각 필드를 원본과 비교하고, 틀린 값과 누락된 값을 따로 집계합니다.
- PDF 카탈로그를 스토어용 CSV로 변환할 수 있나요?
- 네. 제품 또는 변형당 하나의 레코드를 고정된 열 집합으로 추출하고, 단위와 값을 정규화한 다음, 스토어의 가져오기 템플릿에 맞게 열 이름을 바꾸세요. 카탈로그는 개별 데이터시트보다 제품당 정보가 적은 경우가 많으므로, 다른 출처에서 채워야 할 공백이 생길 것으로 예상하세요.
- 다른 언어로 된 데이터시트에서 데이터를 추출하려면 어떻게 하나요?
- 추출 시에는 값을 인쇄된 그대로 유지하고, 문서의 로케일(소수점 쉼표, 천 단위 구분 기호)에 맞게 숫자를 파싱하며, 외국어 머리글은 동의어 목록으로 자사 필드 이름에 매핑하세요. 설명 텍스트는 별도로 번역하고 검토를 받으세요.