PDF에서 텍스트 추출 — 글자 정보가 있으면 그대로, 스캔본은 OCR로
PDF에서 내용을 복사하려는데 드래그가 안 되거나, 복사해 붙이면 글자가 뒤죽박죽일 때가 있습니다. PDF를 넣으면 쪽마다 텍스트를 꺼내 한 번에 복사하거나 .txt로 내려받게 해 줍니다. 스캔한 쪽은 OCR로 읽고, 파일은 브라우저 밖으로 나가지 않습니다.
PDF에는 두 종류가 있습니다. 워드나 한글에서 PDF로 저장한 파일은 안에 '어느 위치에 어떤 글자'라는 정보가 들어 있어서 그대로 꺼내면 정확합니다. 종이를 스캔하거나 사진으로 만든 PDF는 페이지가 그림 한 장이라 글자 정보가 없고, 이미지에서 글자를 읽어 내는 OCR이 필요합니다.
실제로는 둘이 섞인 파일이 많습니다. 워드로 만든 본문 뒤에 도장 찍힌 계약서나 영수증을 스캔해 붙인 경우입니다. 이 도구의 자동 모드는 쪽마다 따로 판단해서, 글자 정보가 있는 쪽은 그대로 꺼내고 없는 쪽만 OCR로 읽습니다. 결과 위에 몇 쪽을 OCR로 읽었는지 표시됩니다.
두 가지 모드
| 모드 | 하는 일 | 이럴 때 |
|---|---|---|
| 자동 | 쪽마다 글자 정보를 먼저 찾고, 글자가 거의 없는 쪽만 OCR로 읽습니다. | 대부분의 경우. 무엇이 섞였는지 몰라도 됩니다. |
| OCR | 모든 쪽을 이미지로 그려 OCR로 읽습니다. | 글자 정보가 있긴 한데 깨져 있을 때. 복사하면 이상한 기호가 나오는 PDF가 이런 경우입니다. |
글자가 흩어져 나오던 문제
PDF 프로그램 중에는 글자를 단어 단위가 아니라 한 글자씩 따로 배치해 저장하는 것이 있습니다. 한글·일본어 문서에서 특히 흔합니다. 이런 파일을 조각마다 공백을 넣어 이어 붙이면 '안 녕 하 세 요'처럼 흩어진 결과가 나옵니다. 이 도구는 조각과 조각 사이에 실제로 빈 간격이 있을 때만 공백을 넣어서, 글자 단위로 저장된 PDF도 원래 문장대로 이어 붙입니다.
복사하면 글자가 깨지는 PDF
글자 정보가 있는데도 복사하면 네모나 엉뚱한 기호가 나오는 PDF가 있습니다. PDF 안의 글꼴에 '이 모양은 어떤 글자'라는 대응표가 빠져 있어서, 화면에는 제대로 그려지지만 글자로는 알 수 없는 경우입니다. 오래된 프로그램이나 일부 인쇄용 PDF에서 생깁니다. 이럴 때는 자동 모드도 깨진 글자를 그대로 가져오므로 OCR 모드로 바꿔서 그림으로 읽는 것이 정확합니다.
쓰는 법
- 1
PDF 넣기
끌어다 놓거나 눌러서 고릅니다. 쪽수와 파일 크기가 표시됩니다.
- 2
모드 고르기
보통은 자동으로 둡니다. 복사한 글자가 깨지는 PDF라면 OCR을 고릅니다.
- 3
OCR 언어 확인
스캔한 쪽이 있을 때 쓰는 언어입니다. 페이지 언어로 시작하고, 한국어·일본어는 섞인 영어도 함께 읽도록 켜져 있습니다.
- 4
추출하고 가져가기
쪽마다 '--- 1쪽 ---' 구분선이 붙어 나옵니다. 고칠 곳을 고친 뒤 복사하거나 .txt로 내려받습니다.
자주 묻는 질문
OCR은 얼마나 걸리나요?
쪽마다 따로 읽기 때문에 쪽수에 비례합니다. 긴 스캔본은 몇 분이 걸릴 수 있습니다. 언어 데이터는 처음 한 번만 내려받습니다(약 10~15MB).
PDF가 서버로 올라가나요?
올라가지 않습니다. 글자 꺼내기와 OCR 모두 브라우저 안에서 처리합니다.
암호가 걸린 PDF도 되나요?
열람 암호가 걸린 파일은 읽지 못합니다. 편집만 막아 둔 PDF는 대개 글자를 꺼낼 수 있습니다.
표나 두 단 편집은 어떻게 나오나요?
글자를 위에서 아래, 같은 줄은 왼쪽에서 오른쪽 순서로 이어 붙입니다. 두 단으로 된 문서는 양쪽 단의 같은 높이 줄이 한 줄로 합쳐질 수 있으니, 그런 문서는 결과를 한 번 확인하세요.