PDF 텍스트 추출

PDF 텍스트 추출 소개

PDF 안의 글자는 문장이 아니라 「이 위치에 이 글꼴의 이 글리프를 그려라」는 명령의 목록입니다. 줄이나 단락, 읽는 순서라는 개념은 파일에 없는 경우가 많습니다. 이 도구는 pdf.js로 글자 조각(run)과 위치·크기를 읽은 뒤, 좌표만 보고 줄·단 구분·단락·제목을 다시 짜 맞춥니다.

그래서 결과의 품질은 두 가지에 달려 있습니다. 하나는 PDF가 글리프마다 「이 모양은 유니코드로 무엇인지」를 제대로 적어 두었는지, 다른 하나는 레이아웃이 좌표로 추론 가능한 형태인지입니다. 스캔 PDF처럼 글자 층이 아예 없는 페이지는 빈 결과가 나오고, PDF OCR로 안내합니다.

추출한 한글이 깨지는 이유

PDF에 넣은 글꼴은 대개 쓰인 글자만 잘라 담은 부분집합이고, 본문은 글자 코드가 아니라 그 글꼴 안의 글리프 번호로 적힙니다. 번호를 다시 유니코드로 바꾸는 표가 ToUnicode CMap입니다. 이 표가 없거나 잘못된 PDF에서는 화면에는 「계약서」가 멀쩡히 보여도 복사하면 엉뚱한 한자나 기호, 빈칸이 나옵니다. 모양은 표가 없어도 그릴 수 있기 때문입니다.

Type 3 글꼴은 글자 모양을 PDF 그리기 명령으로 직접 정의한 글꼴이라 유니코드 정보가 아예 없는 경우가 흔합니다. 일부 조판 프로그램이나 오래된 한글 워드프로세서 변환기에서 나옵니다. 이런 PDF는 이 도구든 다른 도구든 텍스트로 뽑아서는 복구할 수 없고, 페이지를 이미지로 보고 OCR하는 편이 빠릅니다. 판별법은 간단합니다. PDF 뷰어에서 한 문장을 복사해 메모장에 붙여 보세요. 거기서 깨지면 추출도 깨집니다.

순서가 뒤섞이는 이유와 이 도구가 순서를 정하는 법

PDF는 글자를 그리는 순서를 자유롭게 정할 수 있습니다. 두 단 논문에서 왼쪽 단 첫 줄 다음에 오른쪽 단 첫 줄을 그리는 파일도 있고, 머리글·각주를 맨 마지막에 그리는 파일도 있습니다. 파일 속 순서를 그대로 이으면 두 단의 줄이 번갈아 섞입니다.

이 도구는 파일 순서를 버리고 XY-cut으로 순서를 새로 정합니다. 글자를 가로 띠로 쌓고, 여러 띠에 걸쳐 같은 위치에 빈 세로 틈(단 간격)이 이어지면 그 영역을 여러 단으로 보고 틈에서 자른 뒤 각 단 안에서 다시 같은 일을 합니다. 결과는 위 영역부터, 한 영역 안에서는 왼쪽 단부터입니다. 본문 가운데를 가로지르는 그림 캡션이나 단을 넘나드는 표는 틈이 끊겨 순서가 어긋날 수 있습니다.

회전된 글자와 세로쓰기 글자는 가로 본문의 단 분석에서 빼서 따로 읽습니다. 90° 돌린 도면 주석이나 표 머리처럼 기울어진 글자는 각도별로 모아 그 방향의 줄로 읽고, 세로쓰기 일본어는 오른쪽 열부터 위에서 아래로 읽어, 둘 다 그 페이지의 가로 본문 뒤에 별도 문단으로 붙습니다. 원래 자리(표 칸 등)에 끼워 넣지는 않습니다.

띄어쓰기와 줄바꿈을 복원하는 규칙

많은 PDF는 공백 문자를 저장하지 않고 글자 사이를 띄워서 그립니다. 이 도구는 앞뒤 글자 사이 간격이 글자 크기의 0.12배를 넘으면 공백을 넣습니다. 한글·한자·가나끼리는 원래 글자폭이 넉넉해 오탐이 많아서 기준을 0.22배로 높였습니다. 자간을 크게 준 제목은 「제 목」처럼 벌어질 수 있습니다.

줄은 기준선이 글자 크기의 35% 안에서 같으면 한 줄로 묶습니다. 「줄바꿈 합치기」에서는 줄 끝의 영어 하이픈(exam-/ple)을, 문서 안에 이어 쓴 단어(example)가 있거나 뒷부분이 -tion·-ment 같은 접미사일 때만 되돌리고 그 밖에는 하이픈을 남깁니다(well-/known → well-known). 그리고 일본어·중국어 줄 사이에는 공백 없이 잇습니다. 한글은 줄 끝이 어절 끝인 경우가 대부분이라 공백으로 잇습니다.

머리글·쪽 번호·제목은 어떻게 가려내나

페이지 위아래 12% 띠에 있는 줄을 숫자를 #으로 바꿔 비교하고, 전체 페이지의 절반 이상(최소 2쪽)에 같은 줄이 있으면 머리글·바닥글로 빼냅니다. 「- 12 -」 「12 / 40」 「12쪽」 같은 단독 쪽 번호도 뺍니다. 제목은 문서 전체 본문 크기의 1.15배 이상이고 3줄·160자 이하인 블록이며, 크기 순으로 Markdown 제목 1~4단계를 매깁니다.

예시

사용 방법

1. PDF를 넣으면 페이지별 단 수와 글자 층 유무를 보여 줍니다.
2. TXT/Markdown, 줄바꿈 처리, 머리글 제거 여부를 고릅니다.
3. 미리보기로 순서를 확인하고 복사하거나 파일로 받습니다.

자주 묻는 질문

관련 가이드

• 스캔 PDF를 검색 가능한 문서로: OCR의 원리와 스캔 설정