출력 형식 품질을 기준으로 오픈소스 OCR API 비교

엔지니어가 광학 문자 인식(OCR) 엔진을 평가할 때, 문자 오류율(CER)과 단어 오류율(WER)이 보통 벤치마크를 지배합니다. 인식 정확도가 필수적이지만, 이는 실제 운영에서 문제의 절반만 해결합니다.

복잡한 다중 열 PDF를 파싱하거나 영수증에서 항목을 추출하거나 백서를 LLM 임베딩 파이프라인에 삽입하고 있다면, 원시 텍스트 덤프는 막대한 엔지니어링 오버헤드를 발생시킵니다. 레이아웃 인식, 논리적 읽기 순서, 좌표 데이터가 없는 문자 문자열은 팀이 깨지기 쉬운 휴리스틱 파서를 작성하도록 강요합니다.

현대 문서 워크플로우의 진정한 차별점은 출력 형식 품질입니다: 엔진이 좌표, 읽기 순서, 구조적 계층 및 표 데이터를 얼마나 일관되고 깔끔하게 제공하는가.

아래는 네 가지 주요 오픈소스 OCR 엔진—Tesseract, PaddleOCR, EasyOCR, Surya OCR—의 출력이 자동 파이프라인 내에서 어떻게 동작하는지를 평가한 엔지니어링 중심 비교입니다.

일반적인 출력 형식: 엔지니어가 실제로 필요로 하는 것

모든 OCR API는 감지된 텍스트를 다르게 패키징합니다. 이러한 형식을 이해하면 파이프라인에 필요한 후처리 양을 판단하는 데 도움이 됩니다:

• Plain Text (.txt): 가장 단순한 표현입니다. 모든 위치 메타데이터를 제거하고 다중 열 레이아웃을 가로 읽기로 압축하여 단락이 뒤섞일 수 있습니다.
• Archival Standards (hOCR, ALTO XML): 도서관 보관에서 표준인 XML/HTML 기반 형식입니다. 좌표, 글꼴 추정치 및 신뢰도 등급을 DOM 노드에 삽입합니다. 문서 재구성에 매우 견고하지만 마이크로서비스에는 무겁습니다.
• Structured JSON: 현대 웹 백엔드의 기본 선택입니다. 좌표 배열(바운딩 박스 또는 폴리곤), 신뢰도 등급 및 계층적 블록/라인/단어 구조를 제공합니다.
• Markdown (.md) / HTML Tables: Retrieval-Augmented Generation(RAG)의 현대 표준입니다. 의미 섹션(헤더, 리스트, 굵은 텍스트)과 표 형태 매트릭스를 보존하며 하위 단계의 공간 재구성을 요구하지 않습니다.

1. Tesseract OCR

Google이 유지 관리하는 Tesseract는 오픈소스 OCR의 기본 엔진으로 남아 있습니다. 그 아키텍처는 전통적인 페이지 분할 알고리즘에 크게 의존하며 LSTM 기반 문자 엔진으로 보완됩니다.

네이티브 출력 형식

• 주요 출력: 일반 텍스트, hOCR (HTML), ALTO XML, TSV (Tab-Separated Values), 및 검색 가능한 PDF/A.
• 레이아웃 인식: 페이지 분할 모드(PSM)를 통한 규칙 기반 휴리스틱.

출력 형식 분석

• 우수한 점: Tesseract의 TSV 및 hOCR 내보내기는 표준화되어 있으며 예측 가능합니다. 단일 TSV 내보내기는 level, page_num, block_num, par_num, line_num, word_num, left, top, width, height, conf에 대한 구조화된 열을 반환합니다. 문서 아카이브를 검색 가능한 PDF로 변환하거나 기관 표준을 엄격히 준수해야 하는 경우, Tesseract는 맞춤형 연결 코드를 사용하지 않고도 이를 기본적으로 처리합니다.
• 단점: Tesseract에는 기본 JSON API가 없습니다. Python이나 Node.js에서 해당 출력을 사용하려면 XML/TSV 파일을 파싱하거나 pytesseract와 같은 래퍼를 사용해야 합니다. 레이아웃 엔진은 비표준 열 흐름에서도 어려움을 겪으며, 수동으로 경계 영역을 지정하지 않으면 인접 열의 텍스트가 자주 혼합됩니다.

Tesseract Output Profile:
├── Plain Text: Clean for standard single-column pages
├── XML / hOCR: First-class, rock-solid support
├── JSON: Requires custom wrappers or TSV-to-JSON transforms
└── Markdown / Tables: Poor (requires custom reconstruction)

2. PaddleOCR

Baidu의 PaddlePaddle 프레임워크를 기반으로, PaddleOCR는 가벼운 모델, 광범위한 다국어 지원, 전용 문서 분석 툴킷(PP-Structure) 덕분에 널리 채택되고 있습니다.

네이티브 출력 형식

• 주요 출력: Python lists/dictionaries, raw JSON, visualization overlays, and structured HTML via PP-Structure.
• 레이아웃 인식: 높음 (using deep learning models for layout parsing, orientation classification, and table recovery).

출력 형식 분석

• 우수한 점: Standard PaddleOCR returns 4-point polygon coordinates ([[x1, y1], [x2, y2], [x3, y3], [x4, y4]]) alongside text strings and confidence scores. This handles skewed or curved text gracefully. However, its real strength lies in the PP-Structure suite, which detects layout regions (title, text, table, figure) and parses tables directly into valid HTML strings (<table>...</table>). This eliminates the need to manually compute cell spans from bounding boxes.
• 단점: The base API returns nested arrays that lack standard property keys across different versions. For structured applications, developers usually write an intermediate adapter to standardize field names (bbox, text, confidence).

PaddleOCR Output Profile:
├── Plain Text: Clean across multiple orientations
├── XML / hOCR: Limited (JSON is the preferred interchange format)
├── JSON: Highly detailed with 4-point polygons
└── Markdown / Tables: Excellent (direct HTML table generation via PP-Structure)

3. EasyOCR

JaidedAI가 PyTorch 기반으로 만든 EasyOCR은 개발자들의 빠른 도입을 위해 설계되었습니다. CRAFT(문자 영역 인식을 위한 텍스트 감지)와 딥러닝 인식 네트워크를 최소 API로 패키징합니다.

네이티브 출력 형식

• 주요 출력: 파이썬 리스트는 좌표 튜플, 인식된 문자열 및 신뢰도 값을 포함합니다.
• 레이아웃 인식: 낮음에서 중간 수준 (텍스트 라인 감지만; 문서 수준 구조 파싱 없음).

출력 형식 분석

• 우수한 점: 반환 객체의 단순함은 타의 추종을 불허합니다:

  [
      (
          [[x1, y1], [x2, y2], [x3, y3], [x4, y4]],
          "Total Balance Due",
          0.9842,
      )
  ]
  

이 출력을 표준 REST 응답에 매핑하거나 GeoJSON/맞춤 스키마로 직접 직렬화하는 것은 몇 줄의 코드만으로 가능합니다. 자연 장면 텍스트, 차량 번호판 및 개별 문서 크롭에 대해 안정적으로 작동합니다.

• 단점: EasyOCR은 전체적인 문서 레이아웃 분석을 수행하지 않습니다. 표, 제목 계층 구조 또는 복잡한 열에 걸친 읽기 순서를 식별하지 못합니다. 두 열 학술 논문에 EasyOCR을 사용하면 상류 레이아웃 감지 모델(YOLO 또는 LayoutLM 등)과 결합하지 않는 한 텍스트 조각이 뒤섞여 나오는 경우가 많습니다.

EasyOCR Output Profile:
├── Plain Text: Good for isolated text blocks
├── XML / hOCR: Not supported natively
├── JSON: Trivial to generate from Python tuples
└── Markdown / Tables: None (requires external layout pipelines)

4. Surya OCR

Surya은 복잡한 문서 이해와 LLM 인제스트 파이프라인을 위해 특별히 설계된 최신 딥러닝 OCR 프레임워크입니다.

네이티브 출력 형식

• 주요 출력: Pydantic 모델 기반 JSON 구조, 논리적 읽기 순서 인덱스, 레이아웃 경계 영역 및 라인 감지 폴리곤.
• 레이아웃 인식: 매우 높음 (딥러닝 기반 레이아웃 분석 및 읽기 순서 정렬).

출력 형식 분석

• 우수한 점: Surya는 현대 AI 엔지니어링의 과제를 직접 해결합니다. 문서를 위에서 아래, 왼쪽에서 오른쪽으로 읽는다고 가정하는 대신, Surya는 전용 모델을 사용해 읽기 순서를 예측합니다. 라인을 논리적 의미 블록으로 그룹화하고, 다중 열 범위를 자연스럽게 처리하며, Pydantic을 통해 타입이 지정된 구조를 출력합니다. 이는 벡터 데이터베이스와 Markdown 변환기로의 다운스트림 인제스트를 직접적이고 신뢰할 수 있게 만듭니다.
• 단점: 최신이면서 무거운 PyTorch 기반 프레임워크인 Surya는 Tesseract와 같은 최적화된 C++ 엔진이나 양자화된 Paddle 모델의 처리량에 맞추기 위해 전용 GPU 연산이 필요합니다. hOCR 또는 ALTO와 같은 레거시 아카이브 표준을 목표로 하지 않습니다.

Surya Output Profile:
├── Plain Text: Naturally ordered according to human reading flow
├── XML / hOCR: Not supported
├── JSON: Fully typed, modern Pydantic schemas
└── Markdown / Tables: Clean semantic blocks ideal for Markdown synthesis

헤드 투 헤드 비교 매트릭스

파이프라인 권장 사항: 어느 것을 선택해야 할까요?

• Choose Tesseract 귀하의 규정 준수 요구 사항이 정부 또는 기록 보관용 표준화된 hOCR, ALTO XML 또는 검색 가능한 PDF/A 결과물을 요구하는 경우.
• Choose PaddleOCR 복잡하고 경계가 없는 표가 포함된 운영 재무 문서(청구서, 영수증, 세금 양식)를 HTML 또는 스프레드시트로 변환해야 하는 경우.
• Choose EasyOCR 가벼운 파이썬 라이브러리가 필요하고, 자연 이미지, 도로 표지판 또는 잘린 UI 요소에서 텍스트를 감지하고 추출해야 하며 설정 번거로움이 없을 경우.
• Choose Surya OCR 비정형 비즈니스 보고서, 연구 논문 및 기술 가이드를 LLM 또는 벡터 검색 엔진에 입력하고 논리적 읽기 순서와 명확한 구조 경계가 가장 중요할 경우.

자주 묻는 질문 (FAQ)

1. 어떤 오픈소스 OCR 출력 형식이 대형 언어 모델에 가장 쉽게 입력될 수 있나요?

Surya OCR의 읽기 순서 인식 JSON과 PaddleOCR PP-Structure의 HTML 테이블은 LLM 프롬프트 컨텍스트와 RAG 인덱싱을 위한 가장 깔끔한 표현을 제공합니다.

2. Tesseract가 서드파티 도구 없이도 JSON 응답을 기본적으로 생성할 수 있나요?

아니요, Tesseract는 텍스트, TSV, PDF 및 hOCR/ALTO XML을 기본적으로 출력합니다; JSON을 생성하려면 TSV 또는 hOCR 출력을 중간 파서를 사용해 변환해야 합니다.

3. 4점 폴리곤 좌표는 축에 정렬된 경계 상자와 어떻게 다릅니까?

축에 정렬된 박스는 평면 텍스트를 가정하고 [x, y, width, height]를 사용하지만, 4점 폴리곤은 회전되거나 기울어지거나 곡선인 텍스트 라인을 정확히 둘러싸기 위해 네 개의 좌표 쌍을 제공합니다.

4. 어떤 엔진이 느슨한 좌표가 아니라 테이블 구조를 직접 코드로 출력합니까?

PaddleOCR의 PP-Structure 모듈은 감지된 표 경계를 완전한 HTML 표 태그 (<table>, <tr>, <td>) 로 재구성하여 맞춤형 공간 수학을 피합니다.

5. 표준 EasyOCR 출력이 다중 열 과학 논문에서 어려움을 겪는 이유는 무엇입니까?

EasyOCR는 전역 레이아웃 계층 구조보다 로컬 근접성을 기반으로 텍스트 라인을 식별하므로, 외부 레이아웃 엔진에 의해 제한되지 않으면 인접한 열의 텍스트가 뒤섞이게 됩니다.

관련 항목

• OCR 출력 형식 비교: TXT, PDF, PDF/A, XML, JSON
• OCR 파일 형식 이해 - HOCR vs ALTO vs PDF/A 설명
• PDF와 FDF의 차이점은 무엇인가요?
• PDF와 Word: 언제 어떤 것을 사용해야 할까요?
• 손글씨 텍스트 인식(HTR)을 위한 올바른 파일 형식 선택 방법