HWP 문서를 RAG에 넣을 때 PDF로 바꾸면 안 되는 이유
국내 기관의 규정집, 업무 지침, 보고서는 한글(HWP·HWPX) 파일로 쌓여 있는 경우가 많습니다. 이 문서를 검색해 답하는 AI(RAG)에 넣으려고 하면 먼저 막히는 곳이 있습니다. 많은 AI 도구가 HWP를 읽지 못해서, 결국 PDF로 바꿔 넣게 된다는 점입니다.
PDF로 바꾸면 화면에서는 똑같아 보입니다. 하지만 AI가 읽는 데이터에서는 중요한 정보가 빠집니다.
PDF로 바꾸면 무엇이 사라지나
HWP 파일 안에는 "이 칸은 몇 번째 행, 몇 번째 열이고 어느 칸과 합쳐져 있다" 같은 표 구조가 그대로 들어 있습니다. PDF로 바꾸면 이 정보가 빠지고, 글자가 쪽 위 어디에 찍혀 있는지만 남습니다.
그래서 PDF에서 글자를 뽑으면 표가 이렇게 한 줄로 풀립니다.
구분 상반기 하반기 증감 방문객(만 명) 1,284 1,412 +10.0% 축제(개) 18 23 +5
사람은 원래 표를 떠올리며 읽을 수 있지만, AI는 "하반기 방문객이 몇 명인지"를 이 줄에서 정확히 짚어 내기 어렵습니다. 기관 문서에는 병합 셀이 많은 통계표가 자주 나오기 때문에, 표가 무너지면 답변 품질이 크게 떨어집니다.
RAG에서 특히 문제가 되는 이유
RAG는 문서를 조각으로 나눠 저장해 두고, 질문과 가까운 조각을 찾아 AI에게 건넵니다. 이때 조각이 표 구조를 잃은 글자 덩어리라면 두 가지 문제가 생깁니다.
- 검색이 빗나갑니다. 표 머리글과 숫자가 떨어져 있어, 질문과 맞는 칸을 찾지 못합니다.
- 답이 틀립니다. 맞는 조각을 찾아도 어느 숫자가 어느 항목인지 AI가 헷갈립니다.
대신 확인해야 할 것
HWP 문서를 RAG에 넣을 때는 PDF로 바꾸지 않고 HWP를 직접 읽는 방법이 좋습니다. 도구를 고를 때는 아래를 확인해 보세요.
- HWP·HWPX를 그대로 받는가. PDF로 바꾸는 단계가 없어야 표 구조가 남습니다.
- 병합 셀까지 행·열 구조로 내보내는가. HTML 표의
rowspan·colspan처럼 합쳐진 칸 정보가 결과에 있어야 합니다. - 제목과 본문을 구분하는가. 제목이 표시돼 있으면 문서를 조항·절 단위로 나누기 쉽습니다.
- 머리말·쪽 번호를 구분하는가. 매 쪽 반복되는 머리말이 검색 데이터에 섞이지 않게 걸러낼 수 있어야 합니다.
- 기관 서버 안에서 돌아가는가. 내부 문서를 외부 서비스로 보내지 않고 처리할 수 있어야 합니다.
Luminir Document Parser는
Luminir Document Parser는 HWP와 HWPX를 PDF로 바꾸지 않고 문단과 표 구조를 직접 읽어, 제목·표·읽기 순서를 살린 HTML과 JSON으로 바꿉니다. 인식 모델까지 기관 서버에 함께 설치해, 외부 AI 서비스 없이 내부망에서 동작합니다.
같은 통계 보도자료를 HWPX 원본으로 바로 읽은 결과는 체험 페이지에서 확인할 수 있습니다.