파이썬 pypdf·pdfplumber PDF 자동화: 추출·병합·분할

PDF 자동화는 한 도구로 모두 해결하기보다 목적에 따라 나누는 것이 정확합니다. 페이지 병합·분할·회전은 pypdf, 문서의 글자 위치와 표 구조를 추출하는 작업은 pdfplumber가 적합합니다. 스캔 이미지 PDF는 두 라이브러리만으로 글자를 읽을 수 없으므로 OCR 단계를 별도로 추가해야 합니다.

pypdf 공식 문서 확인하기

pypdf와 pdfplumber 선택 기준

두 라이브러리는 경쟁 관계라기보다 역할이 다릅니다. 예를 들어 pypdf로 필요한 페이지만 분리한 뒤 pdfplumber로 표를 추출하는 파이프라인을 만들 수 있습니다.

텍스트와 표 추출하기

pypdf 텍스트 추출

from pathlib import Path
from pypdf import PdfReader

source = Path("report.pdf")
reader = PdfReader(source)

pages = []
for number, page in enumerate(reader.pages, start=1):
    text = page.extract_text() or ""
    pages.append(f"[페이지 {number}]\n{text}")

Path("report.txt").write_text("\n\n".join(pages), encoding="utf-8")

extract_text() 결과가 None일 수 있어 빈 문자열 처리가 필요합니다. PDF는 글자를 문단이 아니라 좌표에 배치하는 형식이므로, 추출된 줄 순서나 공백이 사람이 보는 화면과 같다고 보장할 수 없습니다.

pdfplumber 표 추출

import pdfplumber

with pdfplumber.open("table-report.pdf") as pdf:
    for page_no, page in enumerate(pdf.pages, start=1):
        table = page.extract_table()
        if not table:
            continue
        header, *rows = table
        print(page_no, header, rows[:2])

pdfplumber는 기계적으로 생성된 PDF에서 가장 잘 동작한다고 공식 README에서 안내합니다. 선이 있는 표, 공백 정렬 표, 병합 셀 표는 서로 다른 설정이 필요할 수 있습니다. 첫 페이지에서 맞는 설정이 다른 페이지에서도 맞는지 표본 검수하세요.

PDF 병합과 분할 자동화

여러 파일 병합

from pathlib import Path
from pypdf import PdfWriter

writer = PdfWriter()
for path in sorted(Path("input").glob("*.pdf")):
    writer.append(str(path))

with Path("merged.pdf").open("wb") as output:
    writer.write(output)
writer.close()

파일명 문자열 정렬은 1, 10, 2 순서가 될 수 있습니다. 페이지 순서가 중요한 업무에서는 입력 목록을 명시하거나 숫자를 해석하는 정렬 키를 만드세요. 결과 파일을 입력 폴더에 두면 다음 실행에서 다시 합쳐질 수 있으므로 출력 폴더를 분리하는 것이 안전합니다.

페이지별 분할

from pathlib import Path
from pypdf import PdfReader, PdfWriter

reader = PdfReader("source.pdf")
out_dir = Path("split")
out_dir.mkdir(exist_ok=True)

for index, page in enumerate(reader.pages, start=1):
    writer = PdfWriter()
    writer.add_page(page)
    with (out_dir / f"page-{index:03d}.pdf").open("wb") as output:
        writer.write(output)
    writer.close()

사람이 말하는 1페이지는 파이썬 인덱스 0이라는 점을 주의하세요. 예를 들어 3~5페이지만 추출할 때는 일반적으로 reader.pages[2:5] 범위를 사용합니다.

스캔 PDF는 OCR이 필요합니다

페이지에서 마우스로 글자를 선택할 수 없고 extract_text()가 빈 결과를 반환한다면 문서가 이미지로만 구성됐을 가능성이 큽니다. 이 경우 먼저 PDF 페이지를 이미지로 변환하고 Tesseract 같은 OCR 엔진이나 클라우드 문서 인식 서비스를 이용해 문자층을 만들어야 합니다.

OCR 결과에는 숫자, 표 경계, 비슷한 글자 오인식이 생길 수 있습니다. 계약서·금액·개인정보처럼 오류 비용이 큰 문서는 사람이 원본과 대조해야 하며, 외부 서비스에 업로드하기 전 보안 규정과 개인정보 처리 조건을 확인하세요.

암호화 PDF 처리

from pypdf import PdfReader

reader = PdfReader("protected.pdf")
if reader.is_encrypted:
    result = reader.decrypt("user-password")
    if result == 0:
        raise ValueError("PDF 비밀번호를 확인하세요")

본인에게 처리 권한이 있는 문서에서만 암호를 사용해야 합니다. 암호를 코드에 직접 적지 말고 환경 변수나 비밀 관리 도구를 사용하세요.

실수 방지 체크리스트

• 입력 파일이 실제 PDF인지 헤더와 열기 결과를 확인합니다.
• 원본과 출력 폴더를 분리하고 원본을 덮어쓰지 않습니다.
• 암호화 여부와 처리 권한을 확인합니다.
• 스캔 PDF인지 텍스트 PDF인지 표본 페이지로 판단합니다.
• 페이지 번호의 0 기반 인덱스를 확인합니다.
• 병합 순서를 파일명 정렬에만 맡기지 않습니다.
• 추출 결과의 페이지 수, 행 수, 금액 합계를 원본과 대조합니다.
• 개인정보 문서를 외부 OCR 서비스에 무단 전송하지 않습니다.

공식 출처

• pypdf 공식 문서
• pdfplumber 공식 GitHub README

공식 문서 확인일: 2026년 9월 5일. PDF 구조와 라이브러리 버전에 따라 추출 결과가 달라질 수 있으므로 실제 문서 표본으로 검증하세요.