스캔한 PDF를 검색 가능하게 만드는 방법은?
스캔한 PDF는 사진을 여러 장 쌓아 둔 것과 같아요. 사람은 읽을 수 있지만 컴퓨터는 읽지 못해요. 검색해도 아무것도 안 나오고, 글자를 선택하면 페이지 전체가 그림으로 잡혀요. OCR은 각 페이지의 글자를 인식해서 컴퓨터가 이해하는 텍스트로 저장해 이 문제를 해결해요.
파일을 고르고, 문서에 인쇄된 언어를 체크하고, 출력은 검색 가능한 PDF로 두세요. 도구는 각 페이지를 고해상도로 렌더링하고, 글자를 인식한 뒤, 원래 페이지의 글자 위에 정확히 겹치도록 보이지 않는 텍스트 층을 놓아요. 결과물은 어떤 PDF 뷰어에서도 열려요. 스캔본과 똑같이 보이지만 이제 검색, 텍스트 선택, 복사가 되고, 컴퓨터의 파일 검색으로도 내용을 찾을 수 있어요.
스캔 파일 중간에 워드로 만든 표지처럼 이미 실제 텍스트가 들어 있는 페이지는 그대로 두기 때문에 같은 글자가 두 번 들어가는 일은 없어요.
팁: 문서에 실제로 쓰인 언어만 체크하세요. 언어를 하나 더할 때마다 인식이 조금 느려지고, 엔진이 엉뚱한 단어로 추측할 가능성도 커져요.
스캔 PDF를 텍스트로 변환하려면?
출력에서 텍스트 파일 (.txt) 항목을 고르세요. 모든 페이지의 글자를 담은 텍스트 파일 하나를 받을 수 있고, 페이지 사이는 빈 줄로 구분돼요. 스캔한 공문을 인용하거나, 문서를 번역하거나, 오래된 보고서의 숫자를 엑셀로 옮길 때 편리해요.
레이아웃을 살린 채 편집할 문서가 필요하다면 다음 단계로 검색 가능한 PDF를 워드로 변환하면 돼요. 워드에서 내보낸 PDF처럼 처음부터 스캔이 아닌 파일은 OCR이 필요 없어요. 텍스트를 바로 추출하는 편이 더 빠르고 정확해요.
스캔본과 휴대폰 사진은 OCR이 얼마나 정확한가요?
반듯하게 스캔한 깨끗한 인쇄물이라면 대체로 아주 잘 인식해요. 읽기 어려운 입력일수록 정확도가 떨어지니, 엔진이 어려워하는 경우를 알아 두면 도움이 돼요.
- 낮은 해상도. 300DPI로 스캔하세요. 확대했을 때 흐릿한 글자는 추측으로 채워져요.
- 기울거나 휜 페이지. 책을 펼쳐 찍은 사진이나 비뚤게 찍은 휴대폰 사진은 줄 인식을 헷갈리게 해요. 먼저 페이지를 반듯하게 펴 주세요.
- 손글씨. 엔진은 인쇄된 글자를 기준으로 학습했어요. 또박또박 쓴 글씨는 될 수도 있지만, 흘려 쓴 손글씨는 대부분 인식하지 못해요.
- 도장, 워터마크, 색 배경. 그 위에 있는 글자는 배경과 구분하기가 더 어려워요.
- 표와 여러 단 구성. 단어는 찾지만 .txt 파일에서는 읽는 순서가 단 사이를 오갈 수 있어요.
결과를 믿고 쓰기 전에 이름, 숫자, 금액은 항상 확인하세요.
중요한 문서를 온라인에서 OCR해도 안전한가요?
여기서는 안전해요. 문서가 업로드되지 않거든요. 대부분의 온라인 OCR 서비스는 파일을 서버로 보내 거기서 인식하고, 한동안 사본을 보관해요. 이 페이지는 반대로 인식 엔진과 언어 데이터를 브라우저로 내려받고, 작업 전체를 내 휴대폰이나 컴퓨터에서 실행해요.
직접 확인할 수도 있어요. OCR을 실행하는 동안 브라우저 개발자 도구의 네트워크 탭을 열어 보세요. 처음에는 엔진 파일이 내려오는 게 보이지만, PDF는 어디로도 전송되지 않아요. 사람들이 주로 스캔하는 서류를 생각하면 중요한 부분이에요. 신분증, 종합소득세 신고 자료, 은행 거래내역서, 진단서, 서명한 계약서 같은 것들이니까요.
어떤 언어를 인식할 수 있나요?
17개 언어를 쓸 수 있고(도구의 목록 참고), 여러 언어가 섞인 문서라면 여러 개를 함께 체크할 수 있어요. 영문 조항이 들어간 한국어 계약서나, 일본 거래처에서 받은 견적서처럼요. 한국어 페이지에서는 한국어와 영어가 처음부터 체크돼 있어서 대부분의 국내 문서는 바로 인식할 수 있어요. 언어 모델은 Tesseract 언어 데이터 중 정확도가 높은 “best” 버전을 더 작은 정수 형식으로 압축한 것이라 빨리 내려받으면서도 정밀해요.