PyMuPDF4LLM — PDF 전용 변환

PyMuPDF4LLM은 PyMuPDF(fitz) 기반의 PDF 전용 변환 도구로, PDF를 LLM에 최적화된 Markdown으로 변환합니다. 빠른 속도와 정확한 텍스트 추출이 강점입니다.

pip install pymupdf4llm

기본 변환
이미지 추출 (Markdown 링크)
페이지별 변환
표 추출

import pymupdf4llm

# PDF -> Markdown 변환
md_text = pymupdf4llm.to_markdown("document.pdf")
print(md_text)

write_images=True 옵션으로 PDF 내 이미지를 별도 파일로 추출하고, Markdown에서 ![]()로 참조합니다.

import pymupdf4llm
from pathlib import Path

# 이미지 저장 디렉토리 생성
image_dir = Path("output/images")
image_dir.mkdir(parents=True, exist_ok=True)

# 이미지 추출 + Markdown 변환
md_text = pymupdf4llm.to_markdown(
    "document.pdf",
    write_images=True,           # 이미지를 파일로 저장
    image_path=str(image_dir),   # 이미지 저장 경로
    image_format="png",          # 이미지 형식 (png, jpg)
    dpi=150,                     # 이미지 해상도
)

# Markdown 저장
output_path = Path("output/document.md")
output_path.write_text(md_text, encoding="utf-8")

생성된 Markdown 파일 내에서 이미지는 다음과 같이 참조됩니다:

# Introduction

This paper presents a novel approach to...

![output/images/document.pdf-1-0.png](output/images/document.pdf-1-0.png)

The architecture shown above demonstrates...

## Related Work

Previous studies have explored...

![output/images/document.pdf-2-0.png](output/images/document.pdf-2-0.png)

이미지 파일명은 {pdf파일명}-{페이지번호}-{이미지인덱스}.{확장자} 형태로 자동 생성됩니다.

특정 페이지만 선택적으로 변환할 수 있습니다.

import pymupdf4llm

# 특정 페이지만 변환 (0-indexed)
md_text = pymupdf4llm.to_markdown(
    "document.pdf",
    pages=[0, 1, 2],  # 첫 3페이지만
)

# 페이지 단위로 분리된 결과 (LangChain Document 형태)
docs = pymupdf4llm.to_markdown(
    "document.pdf",
    page_chunks=True,  # 페이지별 분리
)

for doc in docs:
    print(f"Page {doc['metadata']['page']}: {len(doc['text'])} chars")

PyMuPDF4LLM은 PDF 내 표를 Markdown 표 형식으로 변환합니다.

import pymupdf4llm

md_text = pymupdf4llm.to_markdown(
    "report.pdf",
    show_progress=True,  # 변환 진행률 표시
)

# 변환된 Markdown에서 표가 자동으로 감지됨:
# | Column A | Column B | Column C |
# |----------|----------|----------|
# | Value 1  | Value 2  | Value 3  |

PyMuPDF4LLM + 청킹 파이프라인

변환된 Markdown을 LangChain 또는 Chonkie로 청킹하는 전체 파이프라인입니다.

import pymupdf4llm
from langchain_text_splitters import MarkdownHeaderTextSplitter
from langchain_core.documents import Document
from pathlib import Path

# 1. PDF -> Markdown 변환 (이미지 포함)
image_dir = Path("output/images")
image_dir.mkdir(parents=True, exist_ok=True)

md_text = pymupdf4llm.to_markdown(
    "document.pdf",
    write_images=True,
    image_path=str(image_dir),
    image_format="png",
    dpi=150,
)

# 2. Markdown 헤딩 기반 청킹
splitter = MarkdownHeaderTextSplitter(
    headers_to_split_on=[
        ("#", "h1"),
        ("##", "h2"),
        ("###", "h3"),
    ],
)
chunks = splitter.split_text(md_text)

# 3. 이미지 링크가 포함된 청크 확인
for chunk in chunks:
    has_image = "![" in chunk.page_content
    print(f"[{chunk.metadata}] {'(이미지 포함)' if has_image else ''}")
    print(chunk.page_content[:200])
    print("---")

이미지 링크가 포함된 청크는 멀티모달 RAG 파이프라인에서 활용할 수 있습니다. 이미지 경로를 메타데이터로 추출하여, 검색 시 관련 이미지를 함께 제공하면 답변 품질이 향상됩니다.

주요 옵션

옵션	설명	기본값
`write_images`	이미지를 파일로 추출	`False`
`image_path`	이미지 저장 디렉토리	`"."`
`image_format`	이미지 형식 (`"png"`, `"jpg"`)	`"png"`
`dpi`	이미지 해상도 (DPI)	`150`
`pages`	변환할 페이지 목록 (0-indexed)	전체
`page_chunks`	페이지별 분리 반환	`False`
`show_progress`	진행률 표시	`False`

RAG 개요

RAG 개발 단계

RAG 성능 향상 전략

RAG 아키텍처

PyMuPDF4LLM

PyMuPDF4LLM — PDF 전용 변환

PyMuPDF4LLM + 청킹 파이프라인

주요 옵션

RAG 개요

RAG 개발 단계

RAG 성능 향상 전략

RAG 아키텍처

​PyMuPDF4LLM — PDF 전용 변환

​PyMuPDF4LLM + 청킹 파이프라인

​주요 옵션

PyMuPDF4LLM — PDF 전용 변환

PyMuPDF4LLM + 청킹 파이프라인

주요 옵션