- 문서에서 제목, 본문, 이미지, 표, 단락 같은 시각적 요소가 페이지 내에서 어떻게 배치되어 있는지 자동으로 식별하고 분류하는 기술
- 스캔 문서나 PDF처럼 이미지 기반 문서는 컴퓨터가 픽셀 집합으로 인식하기 때문에 의미를 파악하려면 요소의 위치와 영역을 먼저 식별해야 함
- 문서 구조 분석(DSA)이 맥락과 의미를 분석한다면 문서 구성 분석(DLA)은 문서의 생김새를 분석하는 데 집중
- 프로세스는 이미지 전처리 → 객체 탐지 → 텍스트 추출(OCR) → 구조 분석 → 결과물 후처리 순으로 이어짐
이미지 전처리 : 노이즈 제거, 밝기 조절, 기울기 보정으로 OCR 정확도를 높임
객체 탐지 : 컴퓨터 비전 기술로 텍스트 블록, 이미지, 표, 제목 등 각 요소의 위치와 크기를 식별
텍스트 추출(OCR) : 이미지 전처리(잡음 제거, 대비 강화, 기울기 보정) → 문자 인식(텍스트 영역 분리, CNN/RNN/Transformer 딥러닝 적용) 순으로 진행. Tesseract OCR이 가장 널리 사용되는 오픈소스 엔진으로 100개 이상 언어를 지원하고 LSTM 기반 딥러닝으로 인식 정확도를 높임
구조 분석 : 요소 간 관계와 계층 구조를 파악. 제목은 텍스트보다 크고 굵게 표시된다는 특징으로 식별하고, 제목 아래 본문, 본문 안의 표/이미지 구조를 연결
결과물 후처리 : 텍스트는 JSON/XML/CSV로, 표는 CSV/Excel로, 레이아웃 정보는 XML/JSON으로 구조화된 데이터 형태로 저장