아래한글과 MS 오피스 문서를 AI 학습·RAG용 데이터로 바꿔 주는 문서 데이터 추출 엔진의 이름이 바뀌었다. 문서 AI 전문기업 이파피루스(대표 김정희)는 'PyMuPDF Pro'의 제품명을 'PyMuPDF Office'로 변경했다고 밝혔다. 제품명 변경은 아래한글·MS 오피스 등 다양한 업무 문서를 처리한다는 제품의 역할을 명확히 하기 위한 것이다.
PDF는 오픈소스, 아래한글·오피스는 상용 제품으로 구분
PyMuPDF Office는 오픈소스 PyMuPDF에 아래한글(HWP·HWPX)과 MS 오피스(Word·Excel·PowerPoint) 처리 기능을 추가한 상용 제품이다. 오픈소스 라이브러리 PyMuPDF의 글로벌 누적 다운로드 수는 이파피루스에 따르면 12억 건이다.
PyMuPDF는 최근 2.0 업데이트에서 LLM용 데이터 변환 도구 PyMuPDF4LLM과 문서 레이아웃 분석 엔진 PyMuPDF Layout을 기본 패키지에 통합했다. 이에 따라 PDF 중심 기능은 오픈소스 PyMuPDF가, 아래한글과 MS 오피스를 처리하는 상용 기능은 PyMuPDF Office가 맡도록 구분했다. 이번 제품명 변경은 오픈소스와 상용 제품의 기능 차이를 명확히 하고 기업용 문서 AI 데이터 처리 시장에서 활용 범위를 부각하려는 조치다.
읽기 순서대로 추출해 마크다운·JSON으로 변환
PyMuPDF Office는 문서 속 텍스트·이미지·표·목록을 읽기 순서에 맞춰 추출해 마크다운과 JSON으로 변환한다. 이렇게 만든 데이터는 AI 학습과 RAG에 활용된다. 아래한글 문서인 HWP·HWPX는 별도의 파일 형식 변환 없이 직접 파싱한다.
제품은 파이썬 패키지 형태로 제공되며, 회사 설명에 따르면 GPU 없이 CPU 환경에서 처리할 수 있다. 내부 서버나 사내 PC에서 문서를 처리하므로 온프레미스와 폐쇄망에도 적용할 수 있다.
김정아 이파피루스 부사장은 “기업이 AI에 활용하려는 데이터는 PDF만큼이나 아래한글과 MS 오피스 문서에 많이 담겨 있다”고 말했다. 이어 “PyMuPDF Office라는 이름에는 이런 업무 문서를 가장 잘 다루는 제품이 되겠다는 의지를 담았다”고 밝혔다.
기존 고객은 라이선스 키 그대로 사용
신규 패키지명은 pymupdf-office다. 기존 PyMuPDF Pro 고객은 라이선스 키를 pymupdf-office에서 그대로 쓸 수 있고, 기존 패키지도 당분간 이용할 수 있다.
PyMuPDF Office의 고객사로는 오픈AI, 오라클, 팔란티어, 미스트랄 AI 등 글로벌 기업이 있다. 국내에서는 LG AI연구원, 롯데이노베이트, 한국철도공사 등이 이 제품을 쓴다.
이파피루스는 다양한 문서 형식을 AI 서비스에 연결하는 데이터 추출 기술을 지속 제공할 방침이다. 김정아 부사장은 “국내외 고객이 어떤 형식의 문서든 AI 서비스에 바로 활용할 수 있도록 문서 데이터 처리 분야의 기술 리더십을 이어가겠다”고 말했다. 기존 패키지의 배포 종료 일정과 전환 방법은 추후 고객에게 개별 안내할 예정이다.