OCR(광학 문자 인식)은 페이지를 찍은 그림에서 글자를 읽어 컴퓨터가 검색할 수 있는 텍스트로 바꿉니다. 스캔한 PDF는 그림일 뿐이라 검색도, 문장 선택도, 숫자 복사도 안 됩니다. OCR을 거치면 됩니다. 이 도구는 브라우저에서 페이지 제한 없이 작동하고 문서는 업로드되지 않습니다.
스캔한 PDF를 검색 가능하게 만들기
원본 페이지를 그대로 두기 때문에 결과물은 스캔본과 똑같이 보입니다. 그림 아래에 인식한 단어로 된 보이지 않는 레이어가 각 단어 위치에 놓이므로, 검색하면 정확한 자리가 강조되고 텍스트를 선택하면 보이는 단어가 선택됩니다. PDF에 이미 텍스트가 있는지 보려면 한 줄을 선택해 보세요. 안 되면 OCR이 필요합니다.
OCR 언어 선택
인식하려면 어떤 문자와 단어가 나올지 알아야 하므로, 문서에 인쇄된 언어를 모두 고르세요. 예를 들어 한영 병기 양식이라면 한국어와 영어를 고릅니다. 한국어, 중국어, 일본어, 아랍어, 히브리어, 힌디어를 포함해 100개 이상의 언어가 있습니다. 언어마다 한 번만 다운로드되며 보통 몇 MB이고, 이후 브라우저에 보관됩니다. 크기는 시작 전에 표시됩니다. 문서에 없는 언어를 고르면 인식이 느려지고 정확도도 떨어집니다.
OCR 정확도에 영향을 주는 것
300 dpi로 반듯하게 스캔한 깨끗한 인쇄물이라면 거의 모든 단어를 정확히 읽습니다. 흐린 휴대폰 사진, 낮은 해상도, 기울거나 말린 페이지, 흐린 인쇄, 색이 있는 배경, 특이한 글꼴, 선이 촘촘한 표에서는 정확도가 떨어집니다. 손글씨는 대부분 인식되지 않습니다. 고급 설정에서 해상도를 높이면 작은 글자에 도움이 되지만 시간이 더 걸립니다. 중요한 이름과 숫자는 꼭 확인하세요.
작동 방식
각 페이지를 브라우저에서 이미지로 그린 뒤, 내 기기에서 실행되는 오픈 소스 OCR 엔진 Tesseract가 읽습니다. 찾아낸 단어와 위치는 PDF 사본에 보이지 않는 텍스트 레이어로 기록되고 텍스트 파일에도 모입니다. 노트북은 한 페이지에 몇 초, 휴대폰은 더 걸립니다. 긴 문서는 오래 걸리지만 제한은 없으며, 시작 전 예상 시간으로 얼마나 걸릴지 알 수 있습니다.
주로 쓰는 곳과 안 되는 경우
스캔한 계약서와 편지, 오래된 책과 논문, 장부 정리용 영수증과 청구서, 학교 유인물, 기록 보관소 자료, 그리고 나중에 컴퓨터에서 검색하고 싶은 모든 문서.
- 레이아웃은 다시 만들지 않습니다. 검색 가능한 PDF는 원래 모습을 유지하고 텍스트 파일은 일반 텍스트입니다. 문서를 편집하려면 이어서 PDF를 Word로를 쓰세요.
- 손글씨는 대부분 인식되지 않습니다.
- 이미 텍스트가 있는 PDF는 OCR이 필요 없습니다. 텍스트를 얻으려면 PDF 텍스트 추출을 쓰세요.
- 휴대폰에서는 긴 작업 중에 화면을 켜 두고 탭을 열어 두세요. 그렇지 않으면 브라우저가 작업을 멈춥니다.