PDF OCR 의심 단어 교정

PDF OCR 의심 단어 교정 소개

OCR로 만든 텍스트 레이어는 대부분 맞고 일부가 틀립니다. 문제는 어디가 틀렸는지 모른다는 점입니다. 이 도구는 문서 전체를 Tesseract로 인식한 뒤, 엔진이 스스로 자신 없다고 표시한 단어(기본 신뢰도 80% 미만)만 모아 원본 이미지 조각과 나란히 보여 줍니다.

고친 단어는 신뢰도 100으로 바뀌어 같은 위치에 투명 텍스트로 들어가고, 고치지 않은 단어는 원래 인식 결과 그대로 저장됩니다. OCR 원리와 스캔 해상도는 「스캔 PDF를 검색 가능한 문서로」 가이드에 따로 정리했습니다.

신뢰도가 잡아내는 오류와 잡아내지 못하는 오류

신뢰도는 엔진이 글자 모양을 얼마나 확신하는지를 나타낼 뿐, 결과가 맞는지를 보장하지 않습니다. 번진 잉크나 작은 글씨처럼 모양이 애매한 단어는 낮은 점수를 받아 목록에 오르지만, 숫자 0과 영문 O처럼 모양이 거의 같은 글자는 높은 점수로 틀리기도 합니다. 계좌번호·금액·날짜처럼 한 글자가 중요한 문서라면 임계값을 90% 정도로 올려 검토 범위를 넓히세요.

반대로 60%로 낮추면 확실히 망가진 단어만 남아 목록이 짧아집니다. 페이지가 많은 문서는 임계값을 낮춰 한 번 훑고, 중요한 쪽만 따로 높여 보는 방식이 시간을 줄입니다.

무엇부터 고칠까

텍스트 레이어의 쓸모는 검색과 복사입니다. 그래서 나중에 검색할 단어부터 고치는 것이 효율적입니다. 사람 이름, 회사명, 금액, 날짜, 문서 번호가 우선이고, 조사나 흔한 낱말이 한두 글자 틀린 것은 검색에 거의 영향을 주지 않습니다.

한글은 받침이 흐리거나 글자 간격이 좁으면 한 글자가 두 글자로 쪼개져 인식되기도 합니다. 이런 단어는 크롭 이미지와 대조해 원래 글자로 합쳐 적으면 검색에서 찾힙니다.

예시

사용 방법

1. PDF를 열고 임계값을 정한 뒤 의심 단어 찾기를 실행합니다.
2. 잘린 원본과 인식 결과를 비교하며 틀린 단어만 고칩니다.
3. 저장해 교정된 텍스트 레이어가 든 PDF를 받습니다.

자주 묻는 질문