PDF에서 텍스트를 추출하는 방법
- 위 상자에 PDF를 끌어다 놓거나 상자를 클릭해서 선택하세요위 상자를 눌러 PDF를 선택하세요. PDF는 이 기기 안에서 열립니다.
- 파일 이름 아래의 요약을 확인합니다. 글자가 있는 페이지 수와, 글자가 없는 페이지(스캔본이나 사진일 가능성이 높은 페이지)가 어디인지 알려 줍니다.
- 글자가 있는 페이지는 바로 글자 상자에 나타나며, 페이지마다 “--- 1페이지 ---” 같은 구분선이 앞에 붙습니다. 구분선 없이 글자만 필요하면 [페이지마다 구분선 넣기]를 끄세요.
- 스캔한 페이지가 있으면 [글자의 언어]를 고른 뒤 [스캔한 페이지 글자 인식(OCR)]을 누르세요. 진행 막대가 페이지 수를 세어 주고, 언제든 [중지]할 수 있으며, 그때까지 읽은 페이지는 글자 상자에 그대로 남습니다.
- 필요하면 글자 상자에서 바로 고치고, [복사] 또는 [.txt로 저장]을 누르면 됩니다.
글자 정보가 있는 PDF와 스캔본, 무엇이 다른가
| PDF의 종류 | 글자를 가져오는 방법 | 결과 |
|---|---|---|
| 워드, 웹페이지, 디자인 프로그램에서 저장 | 글자 정보에서 그대로 복사 | 정확한 글자가 즉시, 파일에 저장된 순서대로 나옴 |
| 글자 정보 없는 스캔본, 휴대폰 사진 | 페이지마다 200dpi로 그려서 OCR로 읽음 | 한 페이지에 몇 초, 오류 가능 |
| 스캔 앱이 보이지 않는 글자 정보를 넣은 스캔본 | 글자 정보에서 그대로 복사 | 스캔 앱이 추출한 글자만큼 정확함 |
시험에서 200dpi로 스캔한 한국어 한 페이지는 언어 데이터가 이미 기기에 있을 때 약 1.9초에 글자의 96.0%를 맞게 읽었고, 스캔한 영문 영수증 한 페이지는 약 2.4초가 걸렸습니다. 깨끗한 시험용 페이지가라서 실제 스캔본은 더 나쁠 수 있습니다.
알아두면 좋은 점
- 글자 정보가 있는 PDF는 인식 오류 없이 글자를 정확히 가져옵니다. 글자 정보가 없는 페이지만 OCR이 필요합니다.
- 글자는 파일에 저장된 순서대로 나옵니다. 여러 단, 사이드바, 머리글·바닥글이 있는 페이지는 순서가 섞일 수 있고, 표는 칸 구분 없이 줄이 이어진 글자로 나옵니다.
- 페이지는 멀쩡해 보이는데 추출한 글자가 깨져 있다면, 글자 정보가 잘못된 PDF입니다. [모든 페이지를 사진처럼 읽기]를 켜서 전체를 OCR로 읽어 보세요.
- 긴 스캔본은 시간이 걸립니다. 페이지마다 사진처럼 읽으면 한 페이지에 몇 초씩 듭니다. 일부만 필요하면 먼저 [PDF 나누기]로 나누세요.
- 암호가 걸린 PDF는 PDF 뷰어에서 암호를 푼 뒤 사본으로 저장하고, 그 사본을 여기서 여세요.
- 워드나 메모 앱에서 글자를 다루려면 페이지 구분선을 끄고 붙여넣으세요.
글자를 읽는 방식
글자 정보와 스캔본
대부분의 PDF는 단어를 페이지 위의 위치와 함께 글자로 저장해 두며, 이것을 글자 정보(텍스트 레이어)라고 합니다. 이 도구는 파이어폭스 브라우저가 쓰는 PDF 라이브러리인 pdf.js로 그 정보를 페이지별로 읽기 때문에, 결과는 파일에 적힌 글자 그대로입니다. 스캔한 PDF에는 글자 정보가 없고 페이지마다 사진만 들어 있습니다. 그런 페이지는 200dpi로 그린 다음, 브라우저에서 도는 오픈소스 OCR 엔진 Tesseract로 읽습니다. [이미지 글자 추출]이 쓰는 엔진과 같습니다.
자주 묻는 질문
파일이 서버로 업로드되나요?
아니요. 글자 읽기 엔진은 이 브라우저 탭 안에서 WebAssembly로 동작합니다. 엔진 코드와 언어 데이터도 다른 회사 서버가 아니라 hanji.page에서 직접 내려받고, 여러분이 연 사진이나 PDF는 어디로도 전송되지 않습니다. 한 번 사용하면 언어 데이터가 이 기기에 저장되므로, 페이지를 불러온 뒤에는 비행기 모드로 바꿔도 계속 동작합니다.
왜 어떤 페이지에는 글자가 없나요?
PDF는 페이지를 글자로 담을 수도 있고, 페이지 모양의 사진으로 담을 수도 있습니다. 워드나 웹페이지에서 저장한 문서는 글자가 그대로 남아 있습니다. 복합기나 스캔 앱으로 스캔했거나 휴대폰 사진으로 만든 PDF는 사진만 들어 있어서 복사할 글자가 없습니다. 이 도구는 그런 페이지를 알려 주고, OCR로 사진처럼 읽을 수 있게 해 줍니다. 일부 스캔 앱은 자체 인식을 거쳐 보이지 않는 글자 정보를 넣어 두기도 하는데, 그런 페이지는 글자가 있는 페이지로 셉니다.
스캔한 페이지는 얼마나 잘 읽나요?
스캔한 페이지는 200dpi로 그려서 [이미지 글자 추출]과 같은 엔진으로 읽기 때문에 한계도 같습니다. 깨끗한 인쇄 글자는 아주 잘 읽고, 손글씨, 표, 흐릿한 복사본, 아주 작은 글자는 오류가 생깁니다. 측정한 정확도와 페이지당 걸리는 시간은 위쪽 항목에 있습니다. 숫자, 이름, 날짜는 꼭 원본 페이지와 대조하세요.
추출한 글자가 깨지거나 이상한 기호로 나옵니다. 왜 그런가요?
일부 PDF(주로 오래된 한글·일본어 문서와 디자인 프로그램에서 내보낸 파일)는 글자를 자체 코드로 저장하고 유니코드 대응표를 넣지 않습니다. 뷰어에서는 정상으로 보여도 복사하면 엉뚱한 글자가 나오고, 이 도구도 마찬가지입니다. [모든 페이지를 사진처럼 읽기]를 켜 보세요. 페이지를 그림으로 그려서 OCR로 읽기 때문에 잘못된 글자 정보를 무시합니다.
레이아웃, 표, 이미지도 유지되나요?
아니요. 결과는 일반 텍스트이고 이미지는 건너뜁니다. 글자는 파일에 저장된 순서대로 나오기 때문에 제목, 단, 표, 머리글·바닥글이 페이지에서의 위치가 아니라 차례대로 이어서 나옵니다. 페이지를 그림으로 얻고 싶다면 [PDF를 JPG·PNG로 변환]을 쓰세요.
페이지 수 제한이 있나요?
정해진 제한은 없습니다. 글자는 파일에서 페이지별로 가져오므로 수백 페이지여도 빠릅니다. 스캔한 페이지를 OCR로 읽으면 한 페이지에 몇 초씩 걸려서 긴 스캔본은 몇 분이 걸리고 메모리도 더 쓰므로, 휴대폰이 힘들어하면 나누어서 처리하세요.
함께 읽으면 좋은 가이드
- 사진 글자 추출이 틀리는 이유와 정확도 높이는 법글자 크기, 흐림, 기울기, 그림자, JPG 화질, 언어 선택이 글자 추출 정확도에 주는 영향을 같은 엔진으로 직접 재서 표로 정리했습니다.
관련 도구
오류를 찾았거나 이 도구에 있었으면 하는 기능이 있나요? Hanji를 운영하는 Leo에게 알려 주세요. 의견 보내기