워드파일과 PDF, 그리고 HWP 파일을 AI용 마크다운으로 깔끔하게 변환하는 법 | AnyDoc & KorDoc

 

요약

인공지능과 대형 언어 모델(LLM), 검색 증강 생성(RAG) 기술이 보편화되면서 기업과 개인이 보유한 방대한 비정형 문서를 AI가 이해하기 쉬운 마크다운(Markdown)으로 정제하는 작업이 필수 과정으로 자리 잡았습니다. 그 와중에 최근 웹 스크래핑 오픈소스로 잘 알려진 Firecrawl에서 워드, 엑셀, 파워포인트, PDF 등 14개 포맷을 5ms 미만의 놀라운 속도로 변환해 주는 초경량 Rust 라이브러리 AnyDoc을 공개해 큰 주목을 받고 있습니다.

 

 

하지만 국내 실무 환경에서는 관공서와 기업에서 여전히 광범위하게 쓰이는 아래아한글(HWP, HWPX) 파일과 복잡한 표 구조, 스캔 문서의 OCR 문제가 가장 큰 걸림돌로 작용합니다. 이때 좋은 대안 중 하나로 떠오른 도구가 바로 KorDoc입니다. 이 글에서는 브라우저와 로컬 환경에서 번개처럼 문서를 변환하는 AnyDoc의 핵심 기능과 함께, 한국어 공문서 파싱과 Claude, Codex 등 AI 에이전트 MCP 연동까지 책임지는 KorDoc의 차별화된 기능을 살펴보겠습니다.

 

AI 도입의 최대 난제, 왜 문서 전처리가 중요할까요?

ChatGPT나 Claude, Gemini와 같은 LLM을 사내 업무나 연구에 도입할 때 가장 먼저 부딪히는 벽은 데이터 입력 단계입니다. 우리가 흔히 사용하는 docx, xlsx, pptx, pdf 문서는 시각적 배치에 최적화된 복합 바이너리 또는 압축 XML 구조로 이루어져 있어, 텍스트만 단순 추출하면 문맥의 계층 구조나 표 데이터의 행렬 관계가 쉽게 깨져 버립니다. 그렇다고 해서 파일을 그대로 업로드하면 파싱 단계에서 토큰을 많이 소모한다는 단점이 있습니다.

 

마크다운(Markdown)은 제목의 위계(헤딩), 본문 목록, 코드 블록, 표(Table) 구조를 텍스트 기반으로 가장 간결하고 명확하게 보존해 주는 표준 규격입니다. AI 모델이 토큰을 가장 효율적으로 소모하면서도 문서의 본래 의도를 정확하게 파악하도록 돕는 이상적인 포맷인 셈이지요. 그래서 AI 지식인들 사이에서는 문서 파일을 마크다운으로 변환하는 전처리가 중요한 스킬 중 하나로 떠올랐습니다.

 

Firecrawl의 AnyDoc, 어떤 도구이며 어떤 장점이 있을까요?

AnyDoc은 웹 데이터 수집 도구로 세계적인 인기를 얻고 있는 Firecrawl 팀에서 선보인 순수 Rust 기반 문서 변환 오픈소스 라이브러리입니다. 브라우저 데모 페이지에 접속해 문서를 끌어다 놓기만 해도 즉시 마크다운으로 깔끔하게 변환되는 모습을 확인할 수 있습니다.

 

이전에도 변환 프로그램이 없었던건 아니지만, AnyDoc이 기존의 수많은 파서들과 비교해 기술적으로 돋보이는 핵심 경쟁력은 다음과 같습니다.

• 중앙값 5ms 미만의 압도적인 변환 속도: 무거운 인공지능 머신러닝 모델이나 외부 API 서버를 호출하지 않고, 순수 Rust로 작성된 파서를 직접 구동하므로 문서 1건당 평균 5밀리초 내외로 처리가 완료됩니다. 대량 문서 배치 파이프라인에서 독보적인 성능을 보여줍니다.
• 단일 문서 모델(One Model) 설계: 2003년 작성된 레거시 .doc 파일이든 최신 오피스의 .pptx 파일이든 상관없이, 모든 포맷을 동일한 내부 문서 모델로 파싱한 뒤 일관된 마크다운 파일로 리턴합니다. 덕분에 문서 생성 연도나 프로그램 종류에 관계없이 동일한 서식 퀄리티를 유지합니다.
• 확장자가 아닌 바이너리 바이트 시그니처 감지: 파일 이름의 확장자가 잘못 지정되었거나 누락된 상태라도 파일 첫머리의 고유 바이트를 분석해 정확한 문서 형식을 스스로 판별합니다.
• 완전한 로컬 및 브라우저 기반 실행: 브라우저 데모는 @firecrawl/anydoc-wasm WebAssembly 모듈로 동작합니다. 즉, 사용자가 올린 문서가 원격 서버로 전혀 전송되지 않고 내 PC의 웹 브라우저 메모리 안에서만 변환되므로 기밀 문서 누출 위험이 전혀 없습니다.

 

 

AnyDoc은 개발 생태계에서도 손쉽게 이용 가능한 설치 방법도 제공합니다. 터미널에서 npx 명령어로 설치 없이 즉시 실행하거나, Python 및 Node.js 백엔드 서비스에 직접 임베딩할 수 있습니다.

 

# 터미널 CLI로 즉시 변환
npx @firecrawl/anydoc 보고서.docx

# Python 프로젝트 설치
pip install firecrawl-anydoc

# Node.js 패키지 설치
npm install @firecrawl/anydoc

# Rust 크레이트 추가
cargo add anydoc

 

국내 업무 환경에서의 한계와 KorDoc의 등장

글로벌 관점에서 AnyDoc은 더할 나위 없이 훌륭한 도구이지만, 대한민국 실무진 입장에서는 결정적인 아쉬움이 남습니다. 공공기관, 지자체, 교육기관, 연구소, 대기업 협력사 등에서 매일같이 쏟아져 나오는 아래아한글(HWP, HWPX) 문서와 복잡한 병합 표, 스캔된 행정 문서는 AnyDoc의 파싱 범위에 포함되지 않기 때문입니다.

 

이 지점을 어느 정도 해소해 주는 도구가 바로 최근 7년 경력의 공무원이 만들었다고 하는 오픈소스 프로젝트 KorDoc(개발자 chrisryugj)입니다. 실제 행정 문서를 수천 건 이상 다뤄 온 현직 실무진의 노하우가 집약된 도구로, 한국형 문서의 복잡다단한 특성을 정밀하게 풀어냈습니다.

 

 

KorDoc이 한국 문서 처리에 좋은 이유

KorDoc은 단순히 HWP 파일을 텍스트로 긁어내는 수준이 아니라, RAG 파이프라인과 최신 인공지능 에이전트 환경에 최적화된 다채로운 기능을 지원합니다.

• HWP 전 제품군 및 표 구조의 완벽한 복원: HWP 구버전 바이너리부터 최신 XML 기반 HWPX, HWPML은 물론 PDF, XLSX, DOCX까지 폭넓게 수용합니다. 특히 외곽선이 없는 PDF 표나 행과 열이 복잡하게 얽힌 공문서 표 구조를 마크다운 테이블로 변환해냅니다. 실측 공문서 2286건, 9865개 표 테스트에서 표 구조 일치율 100%를 달성했습니다.
• 무과금 로컬 한국어 OCR 내장: 스캔본이나 이미지처럼 텍스트 레이어가 없는 문서가 들어오면 내장된 18MB 경량 한국어 PP-OCRv5 모델이 자동으로 작동합니다. 별도의 유료 클라우드 비전 API 키를 발급받을 필요 없이 사용자 로컬 장치에서 안전하게 텍스트를 인식합니다.
• 서식 보존 패치: 원본 HWPX나 HWP 파일을 마크다운으로 추출하여 AI나 사용자가 내용을 수정한 뒤, 다시 원본 파일에 덮어쓸 때 기존 표 스타일, 폰트 장식, 여백 등의 레이아웃 서식을 그대로 보존한 채 변경된 텍스트만 쏙 교체해 주는 놀라운 기능을 제공합니다.
• 표준 공문서 프리셋: 마크다운 문서를 기반으로 기안문, 보고서, 공고문 등 표준 규격의 HWPX 공문서를 생성할 수 있습니다.

 

Claude, Codex와 직접 대화하는 KorDoc MCP 연동

KorDoc의 또 다른 독보적인 무기는 Model Context Protocol(MCP) 서버를 내장하고 있다는 점입니다. 복잡한 코딩 없이 대화형 설치 명령어 하나로 내 컴퓨터에 설치된 AI 클라이언트에 바로 연동할 수 있습니다. Node.js 20버전 이상만 설치해 두면 됩니다.

 

# AI 클라이언트 자동 감지 및 MCP 설정 마법사 실행
npx -y kordoc setup

 

 

 

이 명령어를 실행하면 Claude Desktop, Cursor, VS Code, Windsurf, Codex, Antigravity 등을 감지해 설정 파일을 자동으로 구성해 줍니다. 연동이 끝나면 Claude 채팅창에서 "사업계획서.hwpx 읽고 요약해 줘" 또는 "신청서 양식의 빈칸을 채워 줘"라고 지시하는 것만으로 AI가 kordoc 도구를 호출해 문서를 직접 다루게 됩니다.

 

CLI 환경에서도 매우 직관적인 명령어 인터페이스를 제공하므로 단일 파일 변환부터 폴더 일괄 처리까지 손쉽게 끝낼 수 있습니다.

 

# HWP 문서를 마크다운으로 변환해 파일 저장
npx kordoc 보고서.hwp -o 보고서.md

# PDF 파일 일괄 변환
npx kordoc *.pdf --jobs 4 -d ./결과

 

AnyDoc vs KorDoc, 한눈에 비교하는 기능 차이

두 도구는 지향하는 목적과 강점이 명확히 구분되므로, 사용 환경과 문서 유형에 맞춰 적절히 조합할 때 최상의 시너지를 발휘합니다.

 

구분 항목	AnyDoc (Firecrawl)	KorDoc (chrisryugj)
핵심 언어 / 기반	Rust (WASM, Python, Node 바인딩)	TypeScript (Node.js 20+)
변환 속도	초당 수백 건 (중앙값 5ms 미만 초고속)	정밀 구조 분석 및 OCR 처리 속도
지원 포맷	DOC, DOCX, PPTX, XLSX, PDF, RTF, EPUB 등 14종	HWP(3.x/5.x), HWPX, HWPML, PDF, XLSX, DOCX, 이미지
한국 HWP 지원	지원 불가	완벽 지원
내장 OCR	별도 유료 파서 필요 (기본 로컬 텍스트 위주)	한국어 PP-OCRv5 내장 (무과금 로컬 추론)
서식 보존 역반영	단방향 마크다운 추출	양방향 서식 유지 및 HWPX 생성 지원
AI 에이전트 연동	라이브러리 및 스킬 연동	전용 MCP 서버 내장 (Claude, Cursor 원클릭 세팅)
라이선스	MIT License	MIT License

 

정리 및 실무 추천 가이드

글로벌 서비스 개발이나 웹 크롤링 파이프라인에서 수천, 수만 건의 워드, 엑셀, 파워포인트, 텍스트 PDF를 즉각적으로 마크다운으로 전환해야 한다면 AnyDoc이 가장 빠르고 가벼운 선택지가 됩니다. 브라우저에서 바로 파일을 끌어다 놓아 5ms 만에 변환해 주는 사용성은 개인 업무 생산성을 높이는 데에도 대단히 편리합니다.

 

반면, 국내 행정 문서나 관공서 입찰 제안서, HWPX 공문서와 복잡한 표를 다루며 Claude나 Cursor와 같은 AI 어시스턴트에게 문서를 직접 읽히고 수정까지 맡겨야 한다면 KorDoc이 필수적인 무기가 됩니다. 내장 OCR 덕분에 스캔된 PDF 문서까지 막힘없이 뚫어낼 수 있는 점 또한 실무에서 엄청난 시간 절약으로 이어지지요.

 

두 오픈소스 모두 MIT 라이선스로 자유롭게 활용할 수 있는 만큼, 처리하고자 하는 문서의 성격과 환경에 맞춰 적절히 도입해 보시기를 권해 드립니다. 문서 전처리 단계의 복잡한 수작업을 자동화하는 것만으로도 여러분의 AI 파이프라인 생산성이 한 단계 획기적으로 도약할 것입니다.

 

[자료 출처]

• https://www.youtube.com/watch?v=Q13GmgDcIw0 
• https://firecrawl.github.io/anydoc
• https://github.com/chrisryugj/kordoc

 

 

주연테크 V27FX FHD 100Hz 컴퓨터 모니터 프리싱크 68~69cm(27인치), 일반