2026년 Tabula·Camelot·pdfplumber 비교: 실제 승자는 어느 파이썬 라이브러리인가?

출처: Dev.to

Python에서 PDF의 표를 추출해야 할 때, 지난 몇 년간 Stack Overflow 답변과 튜토리얼에서 가장 많이 언급되는 세 가지 라이브러리가 있습니다: Tabula, Camelot, 그리고 pdfplumber. 각각은 확실한 장점과 실제로 마주칠 수 있는 한계가 존재합니다 — 2022년에 들은 조언이 오늘날엔 오히려 잘못된 방향을 제시할 수도 있습니다.
이 가이드에서는 2026년에 각 라이브러리가 잘 동작하는 상황, 어디서 부딪히는지, 그리고 문서 유형에 맞는 올바른 선택을 하는 방법을 다룹니다. 마지막에는 코드를 전혀 쓰지 않는 것이 더 나은 경우도 알려드립니다.

Tabula

Tabula는 Java 라이브러리이며, tabula-py가 이를 Python에서 사용할 수 있게 래핑합니다. 텍스트 레이어가 존재하는 PDF에서 공백과 텍스트 위치를 분석해 표 경계를 감지합니다. 두 가지 모드가 있습니다:

• Stream: 열 사이의 공백을 이용해 경계를 찾음
• Lattice: 그려진 선/테두리를 이용해 경계를 찾음

설정은 매우 간단합니다:

import tabula

# PDF의 모든 표 추출
tables = tabula.read_pdf("bank_statement.pdf", pages="all")
for df in tables:
    print(df.head())

잘 동작하는 경우

• 열 간 간격이 일정하고 텍스트 기반인 깔끔한 PDF
• 은행 거래 내역, 정부 보고서 등 셀 경계 대신 공백으로 구분된 문서

실패하는 경우

• 다중 컬럼 레이아웃이 있어 스트림 파서가 혼란스러운 경우
• 헤더가 반복되는 여러 페이지에 걸친 표 (중복 헤더 행이 생김)
• 스캔하거나 이미지 기반인 PDF – 텍스트 레이어가 없으므로 추출 불가
• 선이 촘촘히 그어진 격자형 표 (Camelot의 lattice 모드가 더 적합)

2026년 유지 관리 현황
tabula-py는 커뮤니티가 유지하고 있으며, 기본 Java 라이브러리는 2018년 이후 큰 변화 없이 안정적으로 동작합니다. 활발한 개발은 없지만 핵심 사용 사례에서는 여전히 신뢰할 수 있습니다.

---

Camelot

Camelot은 표 감지에 보다 원칙적인 접근을 취합니다. lattice 모드는 선 감지 알고리즘을 사용해 명시적인 테두리를 찾고, stream 모드는 Tabula와 유사하게 공백을 분석합니다. 핵심 차이점은 lattice 모드가 셀에 선이 그려진 경우 훨씬 정확하다는 점입니다.

import camelot

# Lattice 모드 — 선이 보이는 표에 최적
tables = camelot.read_pdf("invoice.pdf", flavor="lattice")
print(tables[0].df)

# Stream 모드 — 공백으로 구분된 표에 최적
tables = camelot.read_pdf("statement.pdf", flavor="stream")

Camelot은 감지 결과를 시각화할 수 있어 디버깅 시간을 크게 단축합니다:

tables[0].plot()

잘 동작하는 경우

• 셀 경계가 명확히 그려진 인보이스, 정식 보고서
• 회계 소프트웨어에서 내보낸 표 구조가 깔끔히 유지된 재무제표
• “선이 있는 격자”라고 눈으로 설명할 수 있는 문서

실패하는 경우

• 셀을 여러 행·열에 걸쳐 합치는 비정형 표
• 스캔된 PDF (텍스트 레이어가 없어 추출 불가)
• 실제 화면에 표가 보이지만 PDF 내부에는 라인 객체가 없어 “표를 찾을 수 없음” 오류 발생

2026년 유지 관리 현황
원본 저장소(camelot-dev/camelot)는 유지보수가 드물지만, atlanhq/camelot 포크가 더 자주 업데이트되며 2026년 신규 프로젝트에 권장됩니다.

---

pdfplumber

pdfplumber는 Tabula·Camelot보다 낮은 수준에서 동작합니다. “표를 찾아줘”가 아니라 문자, 선, 사각형 등 PDF 내부의 모든 기하학적 요소에 직접 접근하도록 설계되었습니다. 추출 로직을 직접 지정하면 정확히 원하는 대로 동작합니다.

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    for page in pdf.pages:
        table = page.extract_table()
        if table:
            for row in table:
                print(row)

        # 페이지의 모든 단어와 좌표 추출
        words = page.extract_words()

가장 큰 장점은 시각적 디버거입니다. 아래 코드는 45분짜리 고민을 5분짜리 수정으로 바꿔줍니다:

with pdfplumber.open("messy_invoice.pdf") as pdf:
    page = pdf.pages[0]
    im = page.to_image()
    im.debug_tablefinder()
    im.save("debug.png")

또한 표 감지 설정(열 허용 오차, 가장자리 감지, 스냅 허용 오차 등)을 직접 튜닝할 수 있어, 열 간 간격이 일정하지 않거나 요소가 겹치는 경우에 유용합니다.

잘 동작하는 경우

• 비정형·중첩된 표 구조를 가진 PDF
• 행마다 열 경계가 미세하게 변하는 인보이스
• 추출 대상이 전체 표가 아니라 페이지의 특정 영역일 때

실패하는 경우

• 대용량 문서에서는 Tabula·Camelot보다 느림 (정밀도가 비용을 초래)
• 복잡한 경우 코드량이 늘어나며 table_settings 파라미터 조정이 필요
• 스캔된 PDF는 여전히 처리 불가

2026년 유지 관리 현황
활발히 유지보수되고 정기적으로 릴리즈가 이루어집니다. 이슈 대응도 빠르며, 장기 프로젝트에서 유지보수 위험을 최소화하려는 경우 최고의 선택입니다.

---

스캔·사진 PDF는 어떻게 할까?

위 세 라이브러리는 모두 텍스트 레이어를 파싱합니다. 문서가 인쇄·스캔되었거나 사진으로 찍힌 경우, 텍스트 레이어가 없거나 의미 없는 잡음으로 채워져 있습니다. 따라서 모든 라이브러리가 빈 결과를 반환하거나 엉뚱한 데이터를 추출합니다.

스캔된 문서에는 OCR 전처리가 필요합니다:

# 옵션: pdf2image + pytesseract
from pdf2image import convert_from_path
import pytesseract

pages = convert_from_path("scanned_statement.pdf", dpi=300)
for page_img in pages:
    text = pytesseract.image_to_string(page_img)
    # 이후 텍스트 파싱...

이 방법은 이미지 해상도, OCR 정확도, 텍스트 파싱 등을 추가로 관리해야 하므로 복잡도가 크게 증가합니다.

---

실제 비교 테스트

다음은 5페이지, 250건 거래 내역, 공백으로 구분된 열(선 없음)으로 구성된 일반적인 디지털 은행 거래 내역 PDF에 대해 세 라이브러리를 테스트한 결과입니다.

핵심 요약

• pdfplumber가 가장 높은 정확도를 보였지만 튜닝이 필요합니다.
• 경계선이 없는 문서에 Camelot의 lattice 모드는 전혀 쓸모가 없습니다 – 모드를 선택하기 전에 문서 유형을 반드시 확인하세요.
• Tabula stream 모드는 설정 없이도 꽤 견고한 결과를 제공합니다.

---

언제 어떤 도구를 써야 할까?

• Tabula를 사용할 때:

  • 텍스트 레이어가 존재하고 열이 공백으로 구분된 깔끔한 PDF
  • 가장 빠른 설정이 필요할 때
  • 예: 정부 보고서, 간단한 은행 내보내기, 표준 인보이스

• **Camelot (lattice)**를 사용할