PDF 표 추출

PDF 표 추출 소개

PDF에는 「표」라는 구조가 없습니다. 선 몇 개와 그 사이에 흩어진 글자 조각이 있을 뿐이라, 표 추출은 그 배치를 보고 칸을 추측하는 작업입니다. 이 도구는 두 가지 추측법을 씁니다. 괘선이 그어진 표는 선을 따라 격자를 만들고(선 기준, lattice), 괘선 없이 공백으로 줄 맞춘 표는 글자 사이 빈 세로 틈을 칸 경계로 봅니다(공백 기준, stream). 자동 모드는 선 기준 표를 먼저 찾고, 남은 글자에서 공백 기준 표를 찾습니다.

찾은 표는 셀을 직접 고치고, 행·열을 합치거나 지우고, 구분선을 더하거나 빼서 다듬은 뒤 XLSX(표마다 시트) 또는 CSV로 받습니다.

선 기준: 선이 끊긴 곳이 병합 셀

페이지에 그려진 직선, 사각형 테두리, 얇게 칠한 사각형, 셀 배경의 가장자리를 모두 가로·세로 선분으로 모읍니다. 2pt 안쪽으로 어긋난 선은 같은 선으로 보고, 서로 닿는 선분끼리 묶어 한 덩어리를 한 표로 봅니다. 선 위치가 곧 행·열 경계입니다.

두 칸 사이 경계선이 그 구간에서 빠져 있으면 병합 셀로 판단해 엑셀에도 병합으로 내보냅니다. 반대로 디자인상 행 구분선을 생략한 표(머리글 아래 한 줄만 있는 표 등)는 여러 행이 한 칸으로 합쳐져 나올 수 있습니다. 이때는 그 표만 공백 기준으로 바꾸거나 행 구분선을 추가하세요.

공백 기준: 두 단 본문을 표로 착각하지 않게

한 줄 안에서 글자 덩어리가 칸 크기만큼 떨어져 있으면 「여러 칸 줄」로 보고, 이런 줄이 줄 높이의 2.6배 이내로 연달아 두 줄 이상 나오면 표 후보로 묶습니다. 그 줄들의 글자 덩어리를 가로로 투영해 한 번도 글자가 없는 세로 틈을 열 경계로 씁니다.

가장 흔한 오탐은 두 단 본문입니다. 그래서 칸 글자 수의 중앙값이 40자를 넘거나, 2열인데 25자를 넘거나, 한 덩어리가 페이지 폭의 45%를 넘는 2열 후보는 표로 보지 않습니다. 값이 있는 칸이 4개 미만이어도 버립니다. 반대로 셀 안에서 글이 여러 줄로 줄바꿈되는 표는 한 셀이 여러 행으로 쪼개지므로 「아래 행과 합치기」로 정리해야 합니다.

스캔 PDF의 표

글자 층이 없는 스캔 PDF에서는 아무것도 찾지 못합니다. PDF OCR로 텍스트 층을 넣으면 글자는 생기지만, 괘선은 여전히 사진 속 픽셀일 뿐 벡터 선이 아닙니다. 따라서 OCR한 문서에서는 선 기준이 동작하지 않고 공백 기준만 쓸 수 있습니다. 괘선이 촘촘한 스캔 표라면 공백 기준에 칸 간격이 좁아 열이 합쳐지기 쉬우니, 열 구분선을 직접 추가하는 편이 빠릅니다.

여러 쪽에 걸친 표와 내보내기 규칙

다음 쪽의 표가 열 수가 같고, 열 경계가 6pt 안에서 일치하거나 첫 행(머리글)이 같으면 이어진 표로 합칠 수 있습니다. 다음 쪽에서 반복된 머리글 행은 기본으로 지웁니다.

내보낼 때 「1,234」 「(1,234)」 「₩1,000」 「−12」는 숫자로 바꿔 엑셀에서 계산되게 합니다. 괄호는 회계식 음수로 읽습니다. 「007」처럼 0으로 시작하는 코드와 16자리 이상 숫자(카드·주민번호 등)는 텍스트로 둡니다. 엑셀은 숫자를 15자리 정밀도까지만 저장해 16번째 자리부터 0으로 바뀌기 때문입니다. CSV는 엑셀에서 한글이 깨지지 않도록 UTF-8 BOM을 붙이고, =·+·@로 시작하는 셀은 앞에 작은따옴표를 붙여 수식으로 실행되지 않게 합니다(CSV 인젝션 방지).

예시

사용 방법

1. PDF를 넣으면 페이지별로 찾은 표가 목록에 나옵니다.
2. 미리보기에서 칸 경계를 확인하고, 필요하면 표마다 인식 방식을 바꾸거나 구분선을 편집합니다.
3. 내보낼 표를 고르고 XLSX·CSV 형식을 정해 받습니다.

자주 묻는 질문