93 lines
6.0 KiB
Markdown
93 lines
6.0 KiB
Markdown
# OCR 파이프라인 개선 테스트 (ko+eng PDF)
|
||
|
||
- 일시(KST): 2025-10-22 22:30–23:00
|
||
- 작성자: Claude (51124)
|
||
- 대상: rb8001 + skill-rag-file (RAG 파일 서비스)
|
||
|
||
---
|
||
|
||
## 배경/문제
|
||
- NAVER WORKS에서 수신된 이미지 위주 IR PDF가 텍스트 추출 품질이 낮아, RAG 질의(사업분야/매출/팀규모 등) 결과가 미검출(0건)로 이어짐.
|
||
- 예시 파일: WORKVISA_IR(2025.10.14).pdf → document_id=611938b0-0cbf-4f32-8765-ffabb90a85b0
|
||
|
||
## 환경/사전 조건
|
||
- 저장 위치: `/mnt/51123data/documents/<team_id>/YYYY-MM/<doc_id>.pdf`
|
||
- 실제 경로: `/mnt/51123data/documents/79441171-3951-4870-beb8-916d07fe8be5/2025-10/611938b0-0cbf-4f32-8765-ffabb90a85b0.pdf`
|
||
- 스토리지/임베딩: skill-rag-file 컨테이너(8508) + ChromaDB(내부)
|
||
|
||
## 재현 절차 및 결과
|
||
1) 텍스트 확인(API)
|
||
- `GET http://localhost:8508/api/text/611938b0-...`
|
||
- 결과: chunk_count=4, length≈3226, unique_chars=103, garbage_ratio=0.009, `ocr_used`: 초기 False → 재색인 후 True
|
||
- 본문은 난독 텍스트가 다수(스캔 이미지/비표준 폰트 추정)
|
||
|
||
2) 재색인(OCR 강제)
|
||
- `POST /api/reindex {"document_id": "611938b0-...", "force_ocr": true}`
|
||
- 결과: `ocr_used: true`, 청크 수 4 그대로(품질 지표 유사)
|
||
|
||
3) OCRmyPDF 사이드카 비교 테스트
|
||
- 스크립트: `rb8001/tests/test_ocr_pipeline_sidecar.py`
|
||
- 시나리오: Docker 이미지(ocrmypdf)로 `kor+eng` 시도→언어팩 미탑재로 실패, `eng`로 재시도 성공
|
||
- 메트릭 비교(서비스 baseline vs OCRmyPDF-eng):
|
||
- length: 3226 → 2752 (-474)
|
||
- unique_chars: 103 → 98 (-5)
|
||
- korean_ratio: 0.000 → 0.000 (변화 없음)
|
||
- 1차(eng only): 개선 없음 → 한글 언어팩 미탑재 이슈 확인
|
||
- 2차(kor 패키지 설치 후 kor+eng):
|
||
- 실행: `docker run --entrypoint /bin/sh jbarlow83/ocrmypdf:latest -lc "apt-get update && apt-get install -y tesseract-ocr-kor && ocrmypdf ... -l kor+eng --sidecar ..."`
|
||
- 사이드카 텍스트 메트릭: length 3282, unique_chars 317, korean_ratio 0.269
|
||
- 베이스라인 대비: unique_chars +214, korean_ratio +0.269 → 유의미 개선
|
||
- 결론: kor 언어팩 추가 시 품질 개선 확인(ko+eng 조합 필수)
|
||
|
||
4) RAG 질의 테스트
|
||
- IR 지표 질의(사업 분야/성장률/팀 구성 등): 대부분 0건(문장 구조/키워드 부재)
|
||
- 식별 키워드 질의(예: "workvisa", "Team Building"): 해당 문서 포함해 검색됨(단, 의미 문장 근거는 빈약)
|
||
|
||
## 추가 테스트: PaddleOCR 사이드카(일회성)
|
||
- 스크립트: `rb8001/tests/test_paddleocr_sidecar.py`
|
||
- 방법: python:3.11-slim 컨테이너 내에 poppler + `pip install paddlepaddle paddleocr` 설치 → 첫 실행 시 모델 다운로드 후 `/tmp` 이미지 디렉터리 대상으로 CLI 실행
|
||
- 결과: 의존성(libGL, glib, gomp) 보완 및 CLI 플래그 정정 후에도 최신 PaddleOCR CLI/모델과 런타임 메모리 제약으로 실패(Exit 137, 타입 에러). 고정 버전 조합이 필요.
|
||
- 권장 재시도 환경(고정):
|
||
- 패키지: `paddleocr==2.7.*`, `paddlepaddle==2.5.*`
|
||
- 시스템: `libgl1`, `libglib2.0-0`, `libgomp1`, `poppler-utils`
|
||
- 실행: `paddleocr ocr -i /tmp --lang korean --ocr_version PP-OCRv3 --text_det_limit_side_len 960 --rec_batch_num 1`
|
||
|
||
## 추가 테스트: CLOVA OCR 사이드카(일회성)
|
||
- 스크립트: `rb8001/tests/test_clova_ocr_sidecar.py`
|
||
- 방법: 첫 페이지를 300DPI PNG로 변환(poppler) → `CLOVA_OCR_SECRET`(평문/BASE64) + `CLOVA_OCR_URL` 환경변수로 호출 → 라인 텍스트를 `rb8001/state/ocr_tests/<doc>.clova.txt` 저장
|
||
- 실행 변수 예시(사용자 제공 기준):
|
||
- `export CLOVA_OCR_SECRET='glQlTOgJtgPQiekrHMXatLpfjVsYDCjv'`
|
||
- `export CLOVA_OCR_URL='http://clovaocr-api-kr.ncloud.com/external/v1/47060/bb80a363f469cf0ac9d46ebbb1b43605105f1348377483de31dbfb3b10ca9b2a'`
|
||
- `python3 rb8001/tests/test_clova_ocr_sidecar.py --team 79441171-3951-4870-beb8-916d07fe8be5 --month 2025-10 --doc 611938b0-0cbf-4f32-8765-ffabb90a85b0`
|
||
- 비고: 네트워크/엔드포인트 정책에 따라 응답이 제한될 수 있음. 정상 시 `status: 200`과 라인 수가 출력됨.
|
||
|
||
## 분석
|
||
- 파일은 PDF 내부에 텍스트 레이어가 거의 없고 이미지(XObject) 위주.
|
||
- 현재 강제 OCR(추출 품질 휴리스틱 기반) 수행해도 의미 문장 수준으로 복원되지 않아 IR 질의가 실패.
|
||
- 인덱싱 타이밍: 09:06:02 청킹/임베딩 완료 직후 09:06:03 검색 수행(로그 근거) → “인덱싱/OCR 전 검색”은 아님.
|
||
|
||
## 권장 개선(코드 변경은 별도 PR)
|
||
1) OCR 엔진/옵션 고도화
|
||
- ocrmypdf+Tesseract(ko+eng)로 강제 OCR, 데스큐/회전/해상도(300–600DPI) 표준화(한글 언어팩 설치 필수).
|
||
- PaddleOCR(PP-OCRv4) angle classifier 적용(표/도형/한글 자모 분리·잡음 보정 강화).
|
||
|
||
2) 품질 휴리스틱 상향 및 폴백
|
||
- `garbage_ratio/unique_chars/length` 임계 재조정, OCR 우선 적용 범위 확대.
|
||
- RAG 미검출 시 `/api/text` 요약 폴백(질의→요약→추출)로 최소 정보 확보.
|
||
|
||
3) 클라우드 OCR 조건부 폴백(선택)
|
||
- Google Vision/NAVER CLOVA/AWS Textract를 저품질 페이지에만 호출(캐시/레이트리밋/비용 상한 포함).
|
||
|
||
## 검증 포인트(배포 후)
|
||
- 동일 문서 재업로드/재색인 시 IR 질의 최소 2개 항목 이상 근거 텍스트 반환.
|
||
- `/api/text` 품질 메타(garbage_ratio↓, unique_chars↑) 개선 확인.
|
||
- 검색 스니펫이 숫자/표만이 아닌 자연어 문장 포함.
|
||
|
||
## 교훈 ✍️
|
||
- 스캔 기반 한국어 PDF는 단일 OCR로 품질 확보가 어려워, 다단계 하이브리드(OCR 옵션→딥러닝 OCR→클라우드 폴백) 설계가 필요.
|
||
- RAG 미검출 시 요약 폴백 경로를 두어 사용자 응답 공백을 줄여야 함.
|
||
- 업로드→인덱싱→검색 파이프라인은 상태 확인(청크 수/컬렉션 존재) 후 검색 실행이 안정적.
|
||
|
||
---
|
||
문서 규칙: `DOCS/300_architecture/312_문서_작성_원칙.md` 준수
|