PDF에서 텍스트를 추출하는 방법은?
위의 상자에 PDF를 넣고 페이지를 읽는 동안 잠시 기다리세요. 그다음 “텍스트 추출”을 누르고 TXT 파일을 내려받으면 돼요. 모든 페이지의 글자가 순서대로 들어 있어서 메모장, 텍스트 편집기 등 어디서든 바로 열 수 있어요. 원본 PDF는 바뀌지 않아요.
결과물은 일부러 단순하게 만들었어요. 글꼴도, 색도, 그림도 없이 글자뿐이라 파일이 작고, 검색하기 쉽고, 다른 문서에 붙여 넣기도 쉬워요. 레이아웃까지 필요하다면 PDF 워드 변환이나 원본 파일이 더 나은 방법이에요. 한국어 문서도 PDF 안에 텍스트로 들어 있다면 그대로 뽑혀 나와요.
팁: TXT를 워드 프로세서에서 열고 찾아 바꾸기로 엉뚱한 줄바꿈을 정리하세요. 좁은 단에서 나온 글은 줄마다 끊기는 경우가 많은데, 바꾸기 한 번이면 해결돼요.
PDF에서 글자가 복사되지 않는 이유는?
흔한 이유는 세 가지예요. 가장 흔한 건 PDF가 스캔본인 경우예요. 페이지를 찍은 사진이라 글자가 전혀 들어 있지 않아요. 선택할 게 없으니 아무것도 선택되지 않죠. 해결책은 그림을 읽어 진짜 글자로 바꿔 주는 OCR이에요.
두 번째는 권한 잠금이에요. 보기는 되지만 복사는 막아 둔 PDF가 있어요. 비밀번호를 안다면 PDF 비밀번호 해제로 잠금을 푼 뒤 텍스트를 추출할 수 있어요. 세 번째는 글꼴 인코딩이 특이한 경우예요. 글자가 선택은 되는데 붙여 넣으면 알 수 없는 기호로 나와요. 이럴 때는 페이지를 OCR하는 게 가장 깔끔한 방법인 경우가 많아요.
추출한 텍스트는 어떤 모습인가요?
각 페이지에 나오는 순서대로 글자를 받고, PDF가 줄을 바꾼 자리마다 줄바꿈이 들어가요. 문단은 대개 짧은 줄들로 나오고, 표는 칸이 붙어 버린 텍스트 줄이 돼요. 머리글, 바닥글, 페이지 번호도 글자이기 때문에 인쇄된 자리에 그대로 나와요.
PDF 추출에서는 정상적인 모습이에요. PDF는 각 글자 조각을 페이지의 특정 위치에 저장할 뿐, 문단이나 표라는 개념이 없어요. 도구는 들어 있는 것을 읽어 차례로 써 줄 뿐이에요. 인용할 논문 한 장이나 기사라면 아주 잘 돼요. 복잡한 스프레드시트 같은 표라면 열을 손으로 다시 맞춰야 할 수 있어요. 표가 중요하다면 PDF 엑셀 변환을 써 보세요.
온라인에서 PDF 텍스트를 추출해도 안전한가요?
안전해요. PDF가 업로드되지 않거든요. 페이지는 온라인으로 열지만 텍스트는 내 기기에서 브라우저가 읽어요. 문서와 그 안의 글자는 서버로 가지 않으니 계약서, 진료 기록처럼 모르는 사람에게 메일로 보내지 않을 문서에도 알맞아요.
추출하는 동안 브라우저의 네트워크 탭에서 확인할 수 있어요. PDF를 담은 요청은 하나도 없어요. TXT 파일도 브라우저에서 만들어져 바로 다운로드 폴더에 저장돼요.