PyMuPDF4LLM은 PDF를 마크다운 형식으로 변환하도록 설계된 라이브러리입니다. 여기에서는 이 라이브러리를 테스트한 경험을 공유하겠습니다.

설치

다음 명령을 사용하여 라이브러리를 설치하여 시작합니다.

pip install pymupdf4llm

용법

기본 사용법은 매우 간단합니다. PDF를 마크다운으로 변환하려면 세 줄의 코드만 필요합니다.

import pymupdf4llm
md_text = pymupdf4llm.to_markdown("input.pdf")
print(md_text)

인수를 지정하여 콘텐츠 추출 방법을 조정할 수 있습니다.

페이지별 텍스트 추출

기본적으로 전체 PDF는 단일 텍스트 출력으로 변환됩니다. 그러나 page_chunks=True를 지정하면 페이지별로 텍스트를 추출할 수 있습니다.

md_text = pymupdf4llm.to_markdown("input.pdf", page_chunks=True)

이미지 추출

이미지를 파일로 추출하려면 write_images=True 옵션을 사용하세요:

md_text = pymupdf4llm.to_markdown("input.pdf", write_images=True)

base64 인코딩을 사용하여 마크다운에 이미지를 직접 삽입할 수도 있습니다.

md_text = pymupdf4llm.to_markdown("input.pdf", embed_images=True)

변환 결과 평가

테스트를 위해 다양한 마크다운 요소가 포함된 다양한 PDF가 사용되었습니다.

헤더 변환

헤더가 Markdown 형식으로 올바르게 변환됩니다. 다음은 결과의 일부입니다.

# Sample Markdown Guide

This is a sample markdown file that includes various features for quick reference.

## 1. Headers

...

## 3. Lists

볼드체 및 이탤릭체 텍스트

굵게 및 기울임꼴 형식도 올바르게 변환됩니다.

**Bold: **Bold Text****

_Italic: *Italic Text*_

**_Bold and Italic: ***Bold and Italic***_**

목록 변환

첫 번째 수준의 정렬된 목록은 문제 없이 변환되지만 중첩된 목록과 정렬되지 않은 목록은 정확하게 변환되지 않습니다.

## 3. Lists

### Unordered List

Item 1

Item 2

Sub-item 1

Sub-item 2

### Ordered List

1. First item

2. Second item

1. Sub-item A

2. Sub-item B

링크 변환

링크의 URL은 추출되지만 해당 링크가 포함된 줄 전체가 원래 형식에서 벗어나 하이퍼링크가 됩니다.

## 4. Links and Images

[You can add links using [Link Text](URL).](https://www.example.com/)

이미지 추출

이미지는 기본적으로 추출되지 않지만 write_images=True를 사용하여 로컬에 저장할 수 있습니다.

md_text = pymupdf4llm.to_markdown("input.pdf", write_images=True)

저장된 이미지는 다음과 같이 Markdown에서 참조됩니다.

### Image Example

![](input.pdf-1-0.png)

테이블 변환

세로 테두리가 없는 단순한 테이블은 정확하게 변환되지 않습니다. 모호한 열 경계로 인해 테이블이 일반 텍스트로 처리되기 때문일 수 있습니다.

## 5. Tables

**Column 1** **Column 2** **Column 3**

Row 1 Data A Data B

Row 2 Data C Data D

코드 변환

코드 블록은 올바르게 변환되지만 언어 사양(예: Python)은 유지되지 않습니다. 인라인 코드 변환에도 문제가 있습니다.

## 6. Code

### Inline Code

Use backticks for inline code: print("Hello, world!")

### Code Block

Use triple backticks for code blocks:

```

def greet(name):

  return f"Hello, {name}!"

print(greet("Markdown"))

```

여러 줄 문자

여러 줄 텍스트의 경우 줄 바꿈은 원본 PDF에 표시된 대로 유지됩니다.

Markdown is a lightweight and versatile markup language favored by developers, writers, and bloggers alike

due to its simplicity in formatting text, enabling users to create readable and well-structured documents—

whether for documentation, blog posts, or articles—without the complexity of HTML, while also offering the

ability to convert content seamlessly into other formats like HTML, PDF, and even slideshows, making it an

ideal choice for projects that require both clarity and flexibility in presentation.

결론

목록과 링크를 정확하게 변환하는 데 어려움이 있음에도 불구하고 PyMuPDF4LLM은 PDF를 마크다운으로 변환하는 데 유용한 도구입니다. 외부 언어 모델 없이 로컬에서 작동할 수 있으므로 인터넷 접속이 불가능한 환경에 적합합니다.