11장 문서 파서와 OCR의 실패를 눈으로 검수한다

PDF에서 글자가 추출됐다는 사실은 내용이 보존됐다는 뜻이 아니다. 두 단 표의 읽기 순서가 섞이거나, 각주가 본문에 붙거나, 스캔 이미지의 1과 I가 바뀔 수 있다. 파서 버전, 페이지 수, 추출 글자 수, 표 수, OCR 사용 여부, 경고를 반입 기록에 남긴다.

계약서와 가격표는 표본 페이지를 원본과 나란히 본다. 제목 계층, 표 행·열, 예외 문구, 날짜, 금액, 부정 표현을 확인한다. OCR 신뢰도가 낮은 페이지는 자동 색인하지 않고 검수 대기열로 보낸다.

{"documentId":"D3","parser":"fixture-parser-1","pages":12,"ocr":true,"warnings":["page-7-low-confidence","table-2-merged-cells"],"status":"review"}

실습 11 파서 검수표

가상 계약서 3쪽을 선택해 원본, 추출문, 청크를 세 열로 비교한다. 날짜·금액·표·아니다 같은 부정어가 달라지면 중대 오류로 표시한다. 글자 수가 비슷하다는 이유로 통과시키지 않는다.