OCR PDF

OCR이란 무엇이고 실행하면 무엇이 달라지나요?

광학 문자 인식(OCR)은 텍스트 이미지를 컴퓨터가 복사하고 검색하고 색인할 수 있는 실제 텍스트 문자로 바꿉니다. "스캔된" PDF는 PDF 컨테이너 안에 붙여 넣은 페이지 이미지 더미에 지나지 않습니다. 눈에 보이는 단어는 글자가 아니라 픽셀입니다. OCR을 거치면 문서에는 그 픽셀 위에 놓인 보이지 않는 텍스트 레이어가 생기거나(겉보기는 똑같지만 Ctrl+F가 작동), 다른 곳에 붙여넣을 수 있는 서식 없는 .txt 파일로 텍스트를 추출한 상태가 됩니다. 위에서 두 가지 모드를 모두 제공합니다.

이 페이지에서 OCR이 작동하는 방식

Google의 오픈 소스 Tesseract 엔진을 WebAssembly로 컴파일한 Tesseract.js를 사용하며, 브라우저 탭 안에서 실행됩니다. OCR 실행을 클릭하면:

1. PDF의 각 페이지가 PDF.js로 300 DPI 캔버스에 래스터화됩니다.
2. 캔버스 픽셀이 Tesseract.js로 전달되어 인식된 텍스트와 줄 단위 경계 상자를 반환합니다.
3. 검색 가능한 PDF의 경우, 원본 페이지를 새 PDF에 복사하고 인식된 텍스트를 불투명도 0으로 겹쳐 놓습니다: 눈에는 보이지 않지만 선택 및 검색이 가능합니다.
4. 텍스트만의 경우, 각 페이지의 텍스트를 하나의 .txt 파일로 이어 붙입니다.

이 파이프라인의 어느 단계도 서버를 호출하지 않습니다: PDF.js, Tesseract.js, pdf-lib가 모두 클라이언트 측에서 실행됩니다. OCR과 관련한 유일한 네트워크 요청은 학습된 언어 모델(언어당 약 5~15MB)을 한 번 다운로드하는 것이며, 이후 브라우저가 다음을 위해 캐시합니다.

솔직한 기대치

• 300 DPI의 깨끗한 인쇄 텍스트: 보통 문자당 95~98% 정확도. 검색하고, 약간의 교정과 함께 복사/붙여넣기 하기에 충분합니다.
• 저해상도(200 DPI 미만) 또는 사진으로 찍은 페이지: 정확도가 급격히 떨어집니다. Tesseract에는 선명한 글자 가장자리가 필요합니다. 가능하면 더 높은 DPI로 다시 스캔하세요.
• 다단 레이아웃과 표: 텍스트가 여러 단을 가로질러 행 단위로 돌아옵니다. 논리적인 읽기 순서로 재배열하지 않습니다. 표는 PDF를 Excel로 변환하는 것을 고려하세요.
• 손글씨: 안정적으로 지원되지 않습니다. Tesseract는 인쇄 활자로 학습되어 손으로 쓴 문자는 대개 읽기 어려운 결과로 돌아옵니다.
• 여러 문자 체계의 강한 혼용: 한 페이지가 절반은 아랍어, 절반은 라틴 문자라면 더 많은 쪽을 선택하세요. 다중 문자 체계 OCR은 가능하지만 더 느리고 덜 정확합니다.

프라이버시와 보안

OCR은 브라우저 안 처리가 특히 유용한 분야입니다. 스캔된 문서는 사람들이 가진 가장 민감한 것들 — 여권 사본, 세금 신고서, 계약서, 의료 기록, 임대 계약서 — 인 경우가 많고, 이를 제3자 서버로 보내면 삭제할 수 없는 흔적이 생깁니다. 파이프라인의 모든 바이트가 로컬에서 실행되므로 기록할 업로드도, 압수당할 임시 파일도, 믿어야 할 보관 기간도 없습니다. OCR 엔진 자체가 오픈 소스이며 검증 가능합니다.