PDF OCR(검색 가능한 PDF 만들기)

스캔한 계약서나 사진으로 찍은 양식은 그냥 그림이라 검색할 수도, 문장을 복사할 수도, 화면 낭독기로 읽을 수도 없습니다. OCR(광학 문자 인식)은 각 페이지의 글자를 읽어 보이지 않는 텍스트 레이어로 추가하므로 PDF는 똑같아 보이면서 검색과 선택이 가능해집니다. 인식은 브라우저에서 실행되며 문서는 업로드되지 않습니다.

사용 방법

1. 스캔한 PDF를 선택합니다.
2. 문서의 언어를 고릅니다. 한국어 + 영어, 일본어 + 영어, 중국어 + 영어는 두 언어가 섞인 글에 쓸 수 있습니다.
3. 일반 문서는 200 DPI, 작은 글자는 300 DPI를 쓰고, 일부만 필요하면 페이지를 제한합니다.
4. 각 페이지가 인식되기를 기다린 뒤 검색 가능한 PDF를 내려받고, 필요하면 일반 텍스트도 받습니다.

계산식

각 페이지를 선택한 DPI로 렌더링(픽셀 = 포인트 ÷ 72 × DPI)하고 Tesseract 엔진이 인식해, 보이지 않는 글꼴의 텍스트 전용 PDF 페이지를 돌려줍니다. 그 페이지를 원래 페이지 크기로 맞춰 원본 위에 그립니다.

회전해서 표시되는 페이지도 텍스트 레이어가 눈에 보이는 모양과 맞도록 처리합니다. 실제 텍스트가 5자 이상 있는 페이지는 기본적으로 건너뜁니다.

예시

12쪽짜리 스캔한 임대차 계약서를 200 DPI로 처리하면 A4 페이지마다 인식용으로 1,654 × 2,339px 이미지가 만들어지며, 노트북에서 페이지당 몇 초가 걸립니다. 결과는 스캔 이미지를 그대로 두고 텍스트 레이어를 더하므로, 임대인 이름을 검색하면 그 이름이 나오는 모든 페이지를 찾습니다.

내려받는 용량과 정확도

처음 실행할 때 공개 CDN에서 인식 엔진과 언어 데이터를 내려받으며, 언어에 따라 대략 10–20 MB입니다. 이후에는 브라우저가 저장해 둡니다. 정확도는 똑바르고 고르게 조명된 스캔을 200–300 DPI로 인쇄된 글자에 적용할 때 가장 좋습니다. 손글씨, 도장, 아주 작은 글꼴의 표, 비스듬히 찍은 사진에서는 오류가 더 많으니 중요한 이름과 숫자는 확인하세요.