PDF에서 표 추출하기

pip install pdfplumber       # environment 1
pip install camelot-py       # environment 2
pip install pymupdf          # environment 3

import pdfplumber

with pdfplumber.open(

거기 나열된 페이지는 표지나 공백 페이지도 텍스트가 거의 있기 때문에 판단하기보다는 한번 살펴볼 가치가 있습니다. 만약 테이블이 있는 페이지에 텍스트 레이어가 없다면, 아래 코드 중 어느 것도 작동하지 않으며 OCR(광학 문자 인식) 또는 레이아웃 인지 파서(layout-aware parser)를 먼저 사용해야 합니다. OCR 옵션은 [최고의 Python OCR 라이브러리](https://anyformat.ai/blog/best-python-ocr-library)를 참고하세요.

## 2단계. 각 라이브러리로 테이블 추출하기

세 가지 중 가장 가벼운 [pdfplumber](https://github.com/jsvine/pdfplumber)는 기본적으로 선이 있는(ruled) 테이블을 읽습니다:

import camelot

tables = camelot.read_pdf("table.pdf", pages="all", flavor="lattice")

[PyMuPDF](https://pymupdf.readthedocs.io/en/latest/page.html#Page.find_tables)는 `find_tables`로 테이블을 찾고, 그 결과도 DataFrame으로 변환됩니다:

def check_table(table: list[list[str]], expected_row: list[str]) -> list[str]:
    problems = []
    if not table:
...

import json
from reportlab.lib.pagesizes import A4
from reportlab.platypus import Table, TableStyle, SimpleDocTemplate, Paragraph, Spacer
...

import pymupdf

src = pymupdf.open(

Camelot은 세 라이브러리 중 가장 무겁게 설치되며, OpenCV를 포함하면 약 157MB이고, pdfplumber는 약 42MB, PyMuPDF는 저희 환경에서 53MB입니다. Camelot 2.0.0 버전부터는 기본적으로 Ghostscript가 필요하지 않으며 pypdfium2를 통해 페이지를 변환합니다. 대부분의 튜토리얼이 여전히 다루고 있는 구형 0.x 버전은 `gs` 바이너리가 경로에 있어도 실행 시마다 "Ghostscript is not installed"라는 오류로 실패했으므로, 최신 버전을 설치하는 것이 좋습니다.

pdfplumber는 MIT 라이선스를 따르고 Camelot 역시 MIT 라이선스입니다. PyMuPDF는 AGPL 3.0 또는 Artifex의 상업적 라이선스로 이중 라이선스가 적용되는데, 이는 폐쇄형 소스 소프트웨어를 배포할 경우 중요합니다. 사용 사례에 대해서는 [라이선싱 페이지](https://pymupdf.readthedocs.io/en/latest/about.html)를 참고하십시오. 세 라이브러리 모두 2026년 10월 1일에 출시되었습니다.

## 이 라이브러리들이 충분하지 않을 때: anyformat

이 라이브러리들은 텍스트 레이어와 선으로 구분되거나 깔끔하게 정렬된 표를 가진 PDF에 적합합니다. 하지만 표에 선이 없거나, 셀 병합(merged cells), 여러 줄 셀(multi-line cells), 페이지 나누기(page breaks)가 있거나 파일 자체가 스캔본인 경우에는 작동을 멈춥니다. 이러한 경우 사람들은 레이아웃 인식 파서(layout-aware parser), 비전 언어 모델(vision language model), 또는 표 구조를 찾는 OCR 단계로 전환합니다.

anyformat의 파싱은 하나의 옵션입니다. 그 결과는 문서의 블록들을 나열하며, 표 블록은 SDK 레퍼런스에 따라 해당 행들(rows)을 포함합니다. 저희는 이 기능을 5개의 합성 파일에 대해 실행하지 않았습니다. 비디오에서는 위에서 언급된 실제 재무 PDF에 적용하여 45개 중 43개 회사를 정확하게 찾아냈는데, 이는 하나의 문서와 한 번의 실행 결과입니다. 특히 긴 표(long tables)의 경우 [장문서 추출](https://anyformat.ai/blog/anyformat-long-documents-extraction)을 참고하십시오.

## 테스트 영상 시청

이 테스트 영상 버전은 약 5분 분량이며, 세 라이브러리와 위 실제 PDF 결과를 다루고 있습니다.

[https://www.youtube.com/watch?v=yf3IP0Bx1oI](https://www.youtube.com/watch?v=yf3IP0Bx1oI)

## 자주 묻는 질문

## 자주 묻는 질문

**PDF에서 표를 추출하는 데 가장 좋은 Python 라이브러리는 무엇인가요?** 
표의 종류에 따라 다릅니다. 텍스트 기반 PDF의 구분선이 있는(ruled) 표의 경우, 세 가지 모두 테스트에서 작동했으며 pdfplumber가 설치하기 가장 가벼웠습니다. 구분선이 없는 표의 경우, 기본 설정으로는 어느 것도 작동하지 않았고 모든 라이브러리가 텍스트 기반 모드와 추가적인 정리 작업이 필요했습니다.

**pdfplumber는 스캔된 PDF에서 표를 추출할 수 있나요?** 
아니요. 텍스트 레이어를 읽기 때문에, 스캔본은 텍스트 레이어가 없으므로 빈 리스트를 반환합니다. 먼저 OCR(광학 문자 인식) 또는 레이아웃 인지 파서가 필요합니다.

**PDF 표를 pandas DataFrame으로 가져오려면 어떻게 해야 하나요?** 
Camelot은 직접 반환하고(`tables[0].df`), PyMuPDF는 `to_pandas()`로 변환하며, pdfplumber의 경우 행 리스트를 받아 첫 번째 행을 헤더로 사용하여 `pandas.DataFrame`에 전달합니다.

**제 표가 빈 행과 함께 나오는 이유는 무엇인가요?** 
pdfplumber와 PyMuPDF의 텍스트 기반 전략은 단어 위치에서 셀 경계를 찾아내기 때문에 실제 데이터 사이에 빈 행을 추가할 수 있습니다. 모든 셀이 비어 있는 행은 제거하세요.

**여러 페이지에 걸쳐 있는 표는 어떻게 추출하나요?** 
각 라이브러리는 페이지당 하나의 표를 반환합니다. 이 표들을 연결(concatenate)하고 중복된 헤더 행은 직접 제거해야 합니다.

_원래 [anyformat.ai/blog/extract-tables-from-pdf](https://anyformat.ai/blog/extract-tables-from-pdf)에 게시되었습니다._