Docling과 Kreuzberg: 혼합 오피스 파일을 로컬에서 추출할 때 구조와 의존성을 어떻게 고를까?

기존 Python·DoclingDocument 절차가 있다면 Docling을, 여러 언어의 앱 내부 통합과 대량의 구형 Office 파일 처리가 필요하다면 Kreuzberg를 먼저 검증할 수 있다. 구조 출력, OCR 백엔드, 실행 의존성을 비교하고 모델 준비 후 네트워크를 끊은 콜드 스타트로 오프라인 경계를 확인하자.

출처: docling-project.github.io
2026년 11월 11일
10 min

기업이 공유 드라이브의 Word, 발표 자료, 스프레드시트, 스캔 문서를 로컬 자료 처리 절차로 옮길 때 먼저 정할 것은 하위 시스템이 요구하는 문서 구조, 기존 앱이 감당할 실행 의존성, 네트워크를 끊은 뒤 처리 과정을 다시 시작할 수 있는지다.

팀이 이미 Python과 DoclingDocument를 중심으로 후처리를 작성했다면 Docling을 우선 평가하자. Java, TypeScript, Rust 앱 안에 추출 기능을 직접 넣고 구형 Office 파일의 외부 변환 의존성을 줄이고 싶다면 Kreuzberg를 먼저 시험할 가치가 있다. 둘 다 실제 형식과 OCR 설정에 따라 검수해야 하며 “로컬 실행”만으로 오프라인 요구를 충족한다고 판단해서는 안 된다. 아래 내용은 공식 문서에 근거하며 정확도나 속도의 실측 순위가 아니다.

지원 형식 총개수보다 파일 목록이 더 유용하다

행정·기술 팀이 규정 DOCX, 교육 PPTX, 대장 XLSX, 구형 DOC/PPT, 스캔 PDF를 같은 묶음으로 처리한다고 가정하자. 이는 선정 시나리오이지 실행한 테스트가 아니다. 각 파일을 검수 목록에 넣고 특히 DOCX 성공을 구형 DOC까지 통과했다는 뜻으로 받아들여서는 안 된다.

Docling 형식 설명은 DOCX, XLSX, PPTX와 함께 구형 DOC, XLS, PPT도 지원하지만 후자는 LibreOffice가 필요하다고 안내한다. 반면 Kreuzberg 형식 참고 문서는 4.3부터 구형 DOC/PPT를 기본 추출 방식으로 처리해 LibreOffice에 더 이상 의존하지 않는다고 설명한다. 구형 파일이 일상적인 입력이라면 컨테이너에 넣어야 할 구성 요소가 바로 달라진다. 다만 어느 쪽이 모든 구형 파일을 더 완전하게 복원하는지 입증하지는 않는다.

무엇을 저장할지 정한 뒤 출력 비교하기

DoclingDocument는 텍스트, 표, 이미지, 절 그룹을 통일된 구조에 넣고 본문과 머리글·바닥글을 구분하며 가능할 때 위치와 출처 정보를 포함한다. 절 간 관계를 유지하고 나중에 용도별 텍스트를 생성해야 하는 팀에 명확한 중간 데이터 모델을 제공한다. 대신 후처리가 이 모델을 이해해야 하며 한 번 내보낸 Markdown만 저장해서는 안 된다.

Kreuzberg도 단순히 “일반 텍스트만 추출하는 도구”로 분류해서는 안 된다. 타입 참고 문서는 부모·자식 관계를 갖는 DocumentStructure를 정의하며 노드는 제목, 문단, 표 등을 표현할 수 있다. 페이지 번호와 경계 상자는 비어 있을 수 있다. 따라서 양쪽에서 실제 필요한 구조를 출력하게 한 뒤 교육 자료의 제목이 해당 내용과 연결되는지, 대장의 표 머리글이 셀과 대응하는지 확인해야 한다. 구조 필드가 존재하는 것과 모든 파일에서 필드를 완전히 채우는 것은 다르다.

선택할 때 더 유용한 질문은 기존 하위 시스템이 어떤 구조를 읽고 있고 다른 구조에 맞추려면 얼마나 조정해야 하는가다. 주기적으로 텍스트를 추출해 사람이 검색하기만 한다면 복잡한 구조 변환 계층을 만드는 것이 가치 없을 수 있다. 절별 보관과 표 유지도 필요하다면 구조화 결과를 장기 보존 대상으로 삼아야 한다.

OCR 선택이 배포 목록을 바꾼다

Docling OCR 문서는 RapidOCR, EasyOCR, Tesseract 등의 엔진과 언어별 구성을 제시한다. Tesseract를 선택하면 실제로 쓸 언어의 traineddata를 준비해야 한다. 주 패키지를 설치했다고 모든 인식 언어가 준비된 것은 아니다.

Kreuzberg OCR 가이드도 여러 백엔드를 제공한다. Tesseract는 시스템 설치와 언어 데이터가 필요하며 PaddleOCR은 네이티브 백엔드를 사용할 수 있고 EasyOCR은 Python으로 제한된다. 따라서 업무 앱이 Java여도 Python 예제의 모든 OCR 선택지를 그대로 옮길 수 있다고 가정해서는 안 된다. 혼합 PDF의 텍스트 레이어가 있는 페이지와 없는 페이지도 각각 예상한 OCR이 실행되는지 확인해야 한다.

실행 언어의 차이도 별도로 평가할 만하다. Docling 프로젝트는 Python 사용 방식과 명령줄 진입점을 제공한다. Kreuzberg 설치 문서는 여러 언어 바인딩을 제공하지만 x86_64의 ONNX 기능에는 AVX/AVX2가 필요하며 Windows의 Go, Elixir, C/C++ 바인딩에는 동적 ONNX Runtime 의존성도 있다고 명시한다. 네이티브 바인딩은 서비스 연동 계층을 하나 줄일 수 있지만 로컬 실행 라이브러리나 하드웨어 조건이 없다는 뜻은 아니다.

오프라인을 완전한 재시작 테스트로 확인하기

Docling 고급 옵션은 모델이 기본적으로 처음 사용할 때 다운로드되며 docling-tools models download로 미리 준비하고 로컬 artifacts 경로를 지정할 수 있다고 설명한다. 원격 모델 서비스는 enable_remote_services를 명시적으로 켜야 하지만 이 스위치는 사용자 데이터 전송을 통제할 뿐 모델 다운로드를 막지는 않는다. 서드파티 플러그인에도 별도의 allow_external_plugins 스위치가 있다. 모델 자산, 원격 호출, 플러그인을 각각 확인해야 하며 스위치 하나를 네트워크 격리 수단으로 취급해서는 안 된다.

Kreuzberg의 명령줄 문서는 kreuzberg cache warm으로 PaddleOCR과 레이아웃 탐지 모델을 미리 다운로드하도록 지원한다. 다른 기능을 켤 때도 해당 자산을 준비해야 한다. LLM 통합은 로컬 추론 엔진뿐 아니라 외부 공급자도 호출할 수 있으며 VLM OCR은 페이지 이미지를 선택한 모델로 보낸다. 자체 호스팅 프로그램이라도 외부 엔드포인트에 연결하면 전체 절차가 오프라인은 아니다.

양쪽을 비교할 때 같은 검수 방안을 적용할 수 있다. 패키지 버전, OCR 백엔드, 모델 파일을 고정하고 의존성이 준비된 새 실행 환경에서 외부 네트워크를 끊은 뒤 콜드 스타트로 각 형식의 샘플을 처리한다. 누락 리소스, 실패 파일, 구조 누락, 최대 메모리, 완료 시간을 각각 기록해야 한다. 이미 캐시된 추출 결과를 새 파싱 성공처럼 사용해서는 안 된다. 이는 권장 검증 방법이지 이 글에서 측정한 결과가 아니다.

결국 DoclingDocument를 이미 사용하는 Python 절차라면 바로 이어 쓸 수 있는지부터 확인하는 편이 보통 낫다. 여러 언어 앱 내부 통합이 중심이고 구형 Office 파일이 많은 팀은 Kreuzberg를 먼저 검증할 수 있다. 모델 자산, 실행 라이브러리 업데이트, 단절 환경 회귀 테스트를 책임질 사람이 없다면 어느 쪽도 로컬에 설치할 수 있다는 이유만으로 유지보수 없는 방안이 되지는 않는다.

콘텐츠 안내:이 글은 공개 자료를 바탕으로 정리한 도구 선택 참고 자료입니다. 제품 기능, 가격 및 관련 정책은 수시로 변경될 수 있으니 최신 공식 정보를 확인해 주세요.

원문 출처:docling-project.github.io