스캔 PDF 텍스트 추출 (PDF OCR)

PDF 에는 두 종류가 있습니다. 워드·한글에서 PDF 로 저장한 문서는 글자 자체가 파일에 들어 있어서 그대로 꺼내면 됩니다(PDF 텍스트 추출). 종이를 스캐너나 휴대폰으로 찍어 만든 PDF 는 쪽마다 사진 한 장이 들어 있을 뿐 글자 정보가 없습니다. 이 도구는 그 사진을 읽어 글자를 추정합니다(OCR). 추정이라 틀릴 수 있고 쪽마다 몇 초씩 걸립니다. 그래서 파일을 열면 글자 정보가 이미 있는지 먼저 확인해, 있으면 PDF 텍스트 추출을 쓰라고 알려 드립니다.

글자 정보가 있어도 뽑아 보면 글자가 깨져 나오는 PDF 가 있습니다. 글꼴 안의 글자 모양과 실제 문자를 잇는 대응표가 빠진 채 만들어진 파일이 그렇습니다. 그런 문서는 화면에 보이는 모양을 읽는 OCR 이 오히려 맞는 방법이라 막지 않습니다. 스캔본 위에 다른 프로그램이 이미 OCR 결과를 보이지 않는 글자로 얹어 둔 파일도 있는데, 그 품질이 나쁘면 다시 인식하는 편이 낫습니다.

OCR 은 픽셀 모양에서 가장 그럴듯한 글자를 고르는 추정입니다. 이 도구를 만들며 두 가지로 시험했습니다. 컴퓨터로 글자를 그림으로 그린 시험 이미지 26쪽(8~12pt, 200~300dpi, 조금 기울거나 잡음을 넣은 것 포함)과, 실제 공개 문서를 사무실 스캔·휴대폰 촬영처럼 흐리게 만든 시험 이미지 21쪽입니다. 진짜 종이를 스캔한 것은 아닙니다. 본문 위주 쪽은 공백을 뺀 100자 중 대체로 15자 이하가 틀렸지만, 서식·표가 많은 쪽은 19~31자가 틀렸습니다. 자주 나온 오류는 모양이 비슷한 글자(정→성, 층→증), 가운뎃점(·)이 빠지는 것, 숫자·기호가 바뀌는 것(부가세(10%)→(1096), 20260915→22260915), 한글 낱말이 영문 글자로 읽히는 것(전자문서→EXIM)입니다. 금액·날짜·번호는 반드시 원본과 대조하세요. 쪽마다 인식기가 스스로 매긴 신뢰도를 보여 드리고 80% 미만이면 따로 표시하지만, 이 값은 정답과 비교한 정확도가 아닙니다 — 시험에서 100자 중 31자가 틀린 서식 쪽이 신뢰도 86%였고, 단이 둘인 쪽은 순서가 뒤섞였는데도 92%였습니다.

인식 엔진의 한국어 모델은 기본 설정 그대로 쓰면 "대 한 민 국" 처럼 음절마다 공백을 넣는 일이 잦습니다. 이 도구는 종이 위 글자 사이의 실제 간격을 재서 그만큼만 공백을 넣도록 설정해 두었습니다. 그래서 띄어쓰기는 종이에 보이는 대로 나오지만, 간격이 넓은 자리(표의 칸 사이, 양쪽 정렬로 벌어진 자리)에는 공백이 여러 칸 들어갑니다. 한 칸으로 줄이고 싶다면 붙여 넣은 뒤 편집기의 바꾸기 기능을 쓰세요.

이 도구는 쪽을 위에서 아래로 놓인 글줄의 한 단으로 읽습니다. 선으로 칸을 나눈 표를 시험했을 때 행마다 한 줄로, 칸 사이는 공백 여러 칸으로 나왔습니다 — 칸 경계 정보 자체는 결과에 없습니다. 단이 둘인 문서는 왼쪽 단과 오른쪽 단의 같은 높이 줄이 한 줄로 이어져 나옵니다. 단을 자동으로 나눠 읽는 방식도 시험했지만 평범한 한국어 문단까지 조각내 순서를 뒤섞어서 쓰지 않았습니다. 단이 둘인 문서는 "PDF를 이미지로" 로 바꾼 뒤 "이미지 자르기" 로 단마다 잘라 "이미지 텍스트 추출" 에 넣는 방법이 있습니다.

조금 기운 스캔은 인식 전에 기울기를 재서 바로 세운 뒤 읽습니다 — 2°와 5° 기울인 시험 스캔(각 3쪽)을 세 쪽 합계로 공백을 뺀 100자 중 2~3자 오류로 읽었습니다. 90°로 누운 쪽은 세우지 못해 시험에서 글자를 하나도 찾지 못했습니다. PDF 안에 회전 정보가 적혀 있어 화면에 바로 보이는 쪽은 보이는 방향 그대로 읽습니다. 누운 쪽은 "PDF 회전" 도구로 바로 세운 뒤 다시 넣어 주세요.

보장하지 못합니다. 여기서 쓰는 인식 엔진(Tesseract)의 공식 언어 데이터는 여러 글꼴로 찍은 글줄로 학습되었습니다. 손글씨풍 글꼴로 쓴 시험 쪽은 100자 중 6자 정도가 틀렸지만, 글꼴은 같은 글자를 늘 같은 모양으로 그리는 반면 실제 손글씨는 사람마다, 글자마다 모양이 달라 이보다 훨씬 많이 틀릴 수 있습니다. 도장·서명 같은 그림 글씨는 엉뚱한 글자로 나올 수 있습니다.

쪽을 300dpi 그림으로 그린 뒤 기울기를 재고 글자를 읽습니다. 걸리는 시간은 쪽에 든 글자 양에 따라 달라집니다. 컴퓨터 크롬에서 잰 값으로 글자가 빽빽한 A4(1,100자 남짓)는 쪽당 10초 안팎, 글자가 적은 쪽(200자 안팎)은 3초 안팎이었고, 섞인 문서 30쪽은 평균 8초였습니다. 엔진을 처음 띄울 때는 데이터를 받고 준비하는 시간이 더 걸리고, 휴대폰처럼 느린 기기에서는 더 오래 걸립니다. 100쪽이면 십수 분이 걸리는데, 그보다 길게 돌리면 도중에 탭을 닫거나 화면이 꺼져 결과를 전부 잃기 쉽습니다. 더 긴 문서는 쪽 범위를 1-100, 101-200 처럼 나눠 여러 번 돌리세요. 결과에 쪽 번호가 붙어 있어 이어 붙이기 쉽습니다.

기본값인 한국어+영어가 가장 무난합니다. 인터넷 주소·전자우편·영어 문장이 섞인 문서에서는 한국어+영어가 훨씬 정확했습니다(시험 문서에서 100자당 틀린 글자 11자 대 29자). 반대로 한글만 있는 문서는 "한국어만" 이 더 정확하게 나오기도 했습니다(시험 문서 두 개에서 10~11자 → 5~7자). 한글만 있는 문서에서 한글 낱말이 영문 글자로 바뀌어 나온다면 "한국어만" 으로 다시 인식해 보세요.

인식 엔진과 언어 데이터를 합쳐 한국어+영어는 약 22MB, 한국어만은 약 11MB, 영어만은 약 15MB 입니다. "텍스트 인식 시작" 을 누를 때 처음 받으며, 페이지를 열기만 해서는 받지 않습니다. 언어 데이터는 브라우저 저장소에 남아 다음 방문 때는 다시 받지 않습니다. 모바일 데이터를 아끼려면 영어가 없는 문서는 "한국어만" 을 고르세요.

읽지 못합니다. 한국어 언어 데이터는 한자를 읽을 때 중국어(번체) 데이터를 함께 불러오도록 설정되어 있는데, 이 도구는 그 데이터를 싣지 않았습니다. 시험에서 한자가 섞인 문장("大韓民國 憲法 第1條…", "株式會社 代表理事…")은 공백을 뺀 100자 중 90자 가까이 틀렸습니다. 등기부등본·법령·옛 문서처럼 한자가 섞인 문서는 한자 부분이 엉뚱한 한글·기호로 나오니 원본을 보고 고쳐 주세요.

열람 암호가 걸린 PDF 는 열지 못하고, 이 도구는 암호를 풀어 주지 않습니다. 암호를 아는 프로그램에서 암호를 해제한 사본을 만든 뒤 넣어 주세요. 열람 암호 없이 열리는 PDF(인쇄·복사 제한만 걸린 파일)는 그대로 열립니다.

지금은 텍스트(.txt)로만 드립니다. 인식한 글자를 원본 PDF 위에 보이지 않는 글자로 겹쳐 넣어 검색·복사가 되는 PDF 를 만드는 기능은 이 도구에 없습니다.

올라가지 않습니다. PDF 를 여는 것, 쪽을 그림으로 그리는 것, 글자를 인식하는 것이 모두 이 브라우저 안에서 일어납니다. 인식 엔진과 언어 데이터도 외부 CDN 이 아니라 이 사이트가 직접 제공합니다.