스캔 PDF 글자 인식 (OCR)

스캔 PDF OCR, 보이지 않는 글자 층이 만들어지는 과정

PDF OCR은 언제 쓰나요

복합기로 스캔해 둔 회의록 묶음에서 ‘예산’이 나온 쪽을 찾고 싶을 때, 사진으로 받은 공문 PDF의 문장을 복사해 답장에 인용하려는데 글자가 선택되지 않을 때, 종이로만 남은 옛 서류를 검색되는 파일로 보관하고 싶을 때 써요. 겉모습은 원래 스캔본 그대로이고, 그 위에 눈에 보이지 않는 글자가 한 겹 깔려서 찾기와 복사가 되는 PDF가 만들어져요.

사용 방법

1단계파일 넣고 인식 설정 고르기

1. 1① 스캔 PDF나 문서 사진을 놓으면 쪽 수와 함께 ‘준비됨’이 떠요. 여러 파일을 한꺼번에 놓아도 파일마다 따로 만들어져요.
2. 2② 해상도는 쪽을 몇 dpi 그림으로 다시 그려 읽을지예요. 각주처럼 작은 글자가 있으면 ‘정밀’이 유리해요.
3. 3③ 보정은 기본이 흑백이에요. 연필 글씨나 흐린 복사본이면 ‘글자 진하게’를 골라요.
4. 4④ 이미 글자가 20자 넘게 들어 있는 쪽은 다시 읽지 않고 넘어가요. 일부만 스캔한 문서에서 시간을 아껴 줘요.

2단계결과 받기

1. 5⑤ 끝나면 글자 층에 넣은 낱말 수가 나오고, 파일이 하나면 ‘_검색가능.pdf’로 바로 내려받아져요.
2. 6⑥ 인식한 글자를 미리 볼 수 있어요. 예시 회의록은 본문이 맞게 읽혔지만, 맨 위 얼룩이 ‘Bn’이라는 엉뚱한 글자로 잡혔어요.
3. 7⑦ 신뢰도는 인식 엔진이 스스로 매긴 평균 점수예요. 60%보다 낮으면 다시 해 보라는 안내가 붙어요.

글자 층이 만들어지는 과정

1. 쪽을 고른 해상도로 그림으로 그려요. 한 쪽이 3,000만 픽셀을 넘으면 그 안에 들어오게 해상도를 낮춰요. A2 도면을 ‘정밀’로 고르면 실제로는 약 278dpi로 읽혀요.
2. 회색조로 바꾸고, ‘글자 진하게’면 전체 평균 밝기의 82%보다 어두운 점은 검정, 나머지는 흰색으로 나눠요.
3. 인식 엔진(Tesseract)이 낱말마다 글자와 네모 위치를 돌려줘요.
4. 낱말 네모의 높이에 맞춰 글자 크기를 정하고, 폭에 맞춰 글자를 가로로 늘이거나 줄여 ‘그리지 않는 글자’로 써 넣어요. 그래서 검색 결과의 표시가 스캔본 속 낱말 위에 겹쳐 보여요.

원본 쪽 그림은 다시 압축하지 않고 그대로 두기 때문에 화질은 바뀌지 않고, 용량은 글자 층과 한글 글꼴 일부만큼만 늘어요.

해상도와 보정 고르기

인식할 글자를 실제 문서에 맞게 좁히면 엔진이 헷갈릴 후보가 줄어요. 한글이 한 글자도 없는 영문 서류에 ‘한글 + 영어’를 두면 알파벳 몇 개가 비슷한 모양의 한글로 읽히는 일이 생길 수 있어요.

주의할 점

• 틀린 글자도 그대로 들어가요 — 보이지 않는 층에 오인식이 남으면 그 낱말로는 검색되지 않아요. 중요한 숫자는 원본 그림과 대조하세요.
• 쪽 범위 밖 — 범위를 적어도 나머지 쪽은 결과 PDF에 빠지지 않고 글자 층 없이 들어가요.
• 사진을 넣을 때 — 사진은 긴 변 4,000픽셀 이내로 줄여 한 쪽짜리 PDF로 만든 뒤 읽어요. 비뚤게 찍었다면 스캔 문서 반듯하게로 먼저 펴면 인식률이 올라가요.

더 궁금한 점