스캔 PDF의 글자를 옮기는 순서: OCR부터 표·읽기 순서 검수까지

화면에 글자가 있어도 복사할 텍스트가 없을 수 있습니다

스캔한 종이를 PDF에 이미지로 담았다면 글자는 눈에 보이지만 프로그램이 읽을 문자 데이터는 없을 수 있습니다. 이 경우 필요한 작업은 OCR로 문자를 인식한 뒤 그 결과를 검수하는 것입니다. 단순한 PDF→이미지 변환이나 Markdown 변환만 반복해서는 이미지 안의 글자가 텍스트로 생기지 않습니다.

다만 복사 실패만으로 모든 PDF를 스캔 문서라고 단정하지는 마세요. 문서의 복사 제한, 글꼴·문자 매핑 문제, 뷰어의 선택 방식도 살펴야 합니다. 먼저 제목과 본문의 한 문장을 선택해 일반 텍스트 편집기에 붙여 넣고, PDF에서 그 문장을 검색해 보세요. 검색·복사가 된다는 사실도 전체 페이지의 정확성을 보증하지는 않습니다.

확인한 상태	작업의 출발점
본문 여러 문장이 정확히 복사됨	기존 텍스트를 추출하고 구조를 검수
페이지 전체가 이미지이고 문자 데이터가 없음	원본 문서 확보 또는 OCR
복사는 되지만 글자가 틀리거나 순서가 섞임	텍스트 레이어와 원본을 대조
일부 페이지만 검색·복사가 됨	페이지별 텍스트 유무를 기록하고 누락 페이지 처리
복사가 제한되거나 파일을 열 수 없음	문서 권한과 원본 제공 경로 확인

W3C의 PDF7 기법은 이미지로만 된 문서와 실제 텍스트를 구분하며, 원본 편집 문서를 구할 수 없다면 OCR을 통해 텍스트를 만드는 방법을 제시합니다. 원래 DOCX나 문서 작성 파일이 있다면 그 파일에서 본문을 가져오는 경로도 먼저 검토하세요.

OCR 전에 페이지별 작업표를 만드세요

한 파일 안에도 본문은 텍스트이고, 서명한 부록은 스캔 이미지인 경우가 있습니다. 첫 페이지에서 복사가 된다는 이유로 전체 파일을 같은 상태로 취급하면 부록이 빠질 수 있습니다. 처리할 페이지 범위와 남겨야 할 그림·표를 간단히 적어 두세요.

다음은 점검 방법을 보여주는 가상 문서입니다. 실제 PDF를 OCR해 얻은 인식 결과가 아닙니다.

원본 페이지	내용	확인 상태	완료 기준
1	제목·안내 문단	본문 복사 가능	제목과 첫 문단 일치
2	스캔한 비용 표	이미지로만 저장	OCR 후 항목·금액·합계 대조
3	두 단으로 나눈 설명	복사 시 문장 순서 혼합	왼쪽 단부터 읽는 순서 복구
4	서명·도장	본문 외 이미지	원본 첨부 유지 여부 결정

OCR 도구에서 언어와 페이지 범위를 지정할 수 있다면 문서에 맞게 설정합니다. Adobe의 텍스트 인식 안내도 이 설정을 구분하며, 처리 후 검색 가능한 텍스트 레이어를 만든다고 설명합니다. 프로그램마다 메뉴와 지원 언어가 다르므로 사용 중인 제품의 안내를 확인하세요.

원본은 그대로 두고 OCR 처리본을 다른 이름으로 저장하는 편이 좋습니다. 이렇게 해야 인식 오류를 수정할 때 원래 글자와 대조할 수 있습니다. 페이지 회전, 잘린 가장자리, 번짐 때문에 읽기 어려운 부분은 처리 전에 원본 상태를 확인하고, 가능하면 더 선명한 원본을 확보하세요.

보이는 이미지와 추출된 문자를 따로 확인하세요

OCR 처리본을 열었을 때 페이지가 원본처럼 보여도 뒤에 저장된 텍스트는 다를 수 있습니다. Adobe의 오류 수정 설명은 인식이 불확실한 부분에 원본 이미지가 보이면서 검색용 문자가 함께 존재할 수 있음을 설명합니다. 검수할 때는 화면을 보는 데서 끝내지 말고 실제 복사된 문자열을 비교하세요.

특히 제품 코드·날짜·금액은 문자 하나가 달라도 의미가 바뀝니다. O와 0, I와 1, 쉼표와 소수점, 음수 기호처럼 혼동할 수 있는 부분을 골라 확인하세요. 이는 오류 가능성을 찾는 점검 예시이며 어떤 OCR 제품에서 특정 오류가 발생했다고 측정한 결과는 아닙니다.

가령 원본 비용 표가 재료비 16,000원, 배송비 3,500원, 합계 19,500원이라면 개별 숫자와 덧셈을 함께 확인합니다. 합계가 맞더라도 두 항목이 서로 바뀌었을 가능성까지 배제할 수는 없으므로 행 이름도 봐야 합니다. 반대로 원본부터 합계가 틀렸다면 변환 오류와 원문 오류를 구분해서 기록하세요. 변환 중에 원문의 수치를 조용히 고치면 대조 기준을 잃습니다.

두 단 문서와 표는 읽는 순서를 다시 확인하세요

W3C의 PDF3 기법은 화면에서 자연스러운 읽기 순서가 프로그램에 전달되는 순서와 다를 수 있음을 설명합니다. 특히 여러 단의 문서에서는 왼쪽 단을 끝까지 읽고 오른쪽 단으로 넘어가야 하는데, 같은 높이의 문장이 가로로 합쳐질 수 있습니다.

Tooliv의 PDF 경로는 페이지 텍스트를 위치에 따라 줄로 모읍니다. 위에서 아래로, 같은 줄에서는 왼쪽에서 오른쪽으로 정렬합니다. 문서의 의미를 해석해 여러 단을 복원하는 기능은 아닙니다. 아래는 실제 변환 코드의 정렬 규칙에 가상 좌표를 넣어 확인한 순서 예시입니다.

배치	첫 줄	둘째 줄
왼쪽 단	A1	A2
오른쪽 단	B1	B2

단별 읽기 순서가 A1 → A2 → B1 → B2라면, 위치 기준으로 묶은 A1 B1 → A2 B2는 이를 보존하지 못합니다. 이 예시는 좌표 정렬을 확인한 것이며 PDF 파일의 OCR 인식률을 시험한 것은 아닙니다. 본문을 옮긴 뒤 문단의 첫말과 끝말을 원본과 비교하고 단 경계를 다시 정리하세요.

표에서도 값이 모두 추출됐다는 것만으로 충분하지 않습니다. 항목명, 단위, 열 머리글이 어느 숫자에 대응하는지 확인하세요. 소계·각주·병합 셀이 있는 표는 특히 한 행씩 대조할 기준이 필요합니다. Markdown으로 옮길 구조는 표·목록 변환 후 점검 방법에서 이어서 확인할 수 있습니다.

Tooliv에서 옮길 때의 범위와 완료 기준

문서→Markdown은 PDF.js의 getTextContent로 기존 텍스트 항목을 가져옵니다. OCR을 수행하거나 그림을 본문에 자동으로 복원하지 않습니다. 한 페이지 파일에 텍스트 항목이 없으면 OCR이 필요하다고 안내하고, 여러 페이지 파일에서는 해당 페이지에 텍스트 레이어가 없다는 표시를 남깁니다. 이런 표시가 있는 채로 전체 변환을 완료했다고 판단하지 마세요.

작업을 끝내기 전 원본의 전체 페이지 수와 결과의 페이지 구분을 맞추고, 처리하지 않은 페이지가 있는지 확인합니다. 중요한 숫자와 식별자는 원본과 직접 대조하고, 두 단 문서와 표는 의미가 이어지는지 읽어 보세요. 원본의 서명·그림을 별도 첨부하기로 했다면 최종 문서에서 그 위치도 안내해야 합니다.

문서의 모양을 그대로 보여주는 것이 목적이라면 PDF→이미지를 사용할 수 있습니다. 편집할 본문이 필요할 때는 OCR·텍스트 추출 경로를 선택하세요. 여러 파일 형식을 함께 다룬다면 문서와 데이터를 옮길 때의 전체 검수 순서를 기준으로 원본과 최종 결과를 관리할 수 있습니다.