스캔한 PDF를 Word로 변환하는 방법과 결과가 달라지는 이유

화면에서 똑같아 보이는 두 PDF도 Word로 변환하면 완전히 다르게 동작할 수 있습니다. 하나는 워드 프로세서에서 저장한 것으로 실제 텍스트가 들어 있습니다. 다른 하나는 스캐너나 휴대폰 카메라로 만든 것으로, 각 페이지가 텍스트를 찍은 사진입니다. 두 번째 종류를 편집 가능한 문서로 바꾸려면 변환기가 먼저 그림에서 글자를 읽어 낸 다음 페이지가 어떻게 배치되었는지 추측해야 합니다. 두 단계 모두 잘못될 수 있으며, 이 가이드에서는 어디서, 왜 잘못되는지, 그리고 어떻게 대처할 수 있는지 설명합니다.

PDF가 스캔본인지 확인하는 방법

가장 빠른 방법은 단어 하나를 선택해 보는 것입니다. 단어가 강조 표시되지 않고 커서가 페이지 전체에 상자를 그린다면 그 페이지는 이미지입니다. 두 번째 방법은 Ctrl+F(Mac에서는 Cmd+F)로 검색해 보는 것입니다. 스캔한 페이지에서는 눈에 보이는 단어조차 검색되지 않습니다.

확대해 보는 것도 도움이 됩니다. 실제 텍스트는 글꼴로 그려지므로 아무리 확대해도 선명합니다. 스캔한 텍스트는 픽셀로 이루어져 있어 확대할수록 흐릿해지고 각져 보입니다.

두 가지가 섞인 스캔본도 있습니다. 스캐너 소프트웨어는 파일을 저장할 때 문자 인식을 실행해 인식한 텍스트를 그림 뒤에 숨겨 두는 경우가 많아서, 선택하고 검색할 수 있습니다. 하지만 이 숨은 텍스트는 스캐너의 추측만큼만 정확합니다. 문단 하나를 일반 텍스트 편집기에 복사해 보면 잘못 읽은 부분까지 포함해 실제로 무엇이 들어 있는지 정확히 알 수 있습니다.

OCR이 실제로 하는 일

OCR(광학 문자 인식)은 텍스트를 찍은 그림을 글자로 바꾸는 과정입니다. 여러 단계로 진행됩니다. 먼저 이미지를 정리합니다. 기울어져 있으면 바로잡고 대비를 조정합니다. 그런 다음 소프트웨어가 텍스트가 있는 영역을 찾아 줄과 단어로 나누고, 각 모양을 학습한 글자 모양과 비교하며, 애매한 경우는 해당 언어의 사전을 이용해 결정합니다.

사전이 중요한 이유는 단어에만 도움이 되기 때문입니다. OCR이 "invoice"를 소문자 L로 시작하는 "lnvoice"로 읽으면 사전이 "invoice"로 바로잡아 줍니다. 하지만 계좌 번호 1045를 1O45로 읽으면 대조해서 바로잡을 근거가 없습니다. 흔히 혼동되는 것은 여러 글꼴에서 비슷해 보이는 글자들입니다. 0과 O, 1과 l과 I, 5와 S, 8과 B, 그리고 "m"이 될 수 있는 "rn" 같은 짝입니다. 그래서 OCR 오류는 숫자, 이름, 코드에 숨어 있으며, 이런 부분은 가장 꼼꼼히 확인해야 합니다.

스캔본마다 결과가 크게 달라지는 이유

같은 변환기라도 어떤 스캔본에서는 거의 완벽한 텍스트를, 다른 스캔본에서는 엉망인 결과를 만들 수 있습니다. 차이는 거의 언제나 이미지에 있습니다.

해상도. OCR용 문서 스캔에는 보통 300 DPI가 권장됩니다. 약 200 DPI보다 낮으면 작은 글씨는 비슷한 글자를 구별하는 세부를 잃습니다. 각주나 양식 뒷면의 약관처럼 아주 작은 글씨는 400 DPI 이상이 좋습니다.
각도와 휘어짐. 비스듬히 찍은 페이지나 책등 쪽으로 휘어 들어가는 책 페이지는 텍스트 줄이 반듯하지 않습니다. 바로잡으면 도움이 되지만, 휘어진 줄은 단어가 빠지거나 붙어 버리는 경우가 많습니다.
대비와 배경. 색지, 형광펜, 텍스트 위에 찍힌 도장, 여러 번 복사한 흐릿한 사본은 모두 글자를 배경에서 분리하기 어렵게 합니다.
강한 압축. 낮은 JPEG 품질로 저장한 스캔본은 경계가 흐리고 글자마다 주변에 얼룩이 있습니다. 팩스 품질의 흑백 이미지는 가는 획이 끊깁니다.
손글씨. 문서 변환에 쓰이는 OCR은 인쇄된 텍스트에 맞춰져 있습니다. 손으로 쓴 메모와 서명은 대개 잘못 인식되거나 그림으로 남습니다.
언어와 레이아웃. 인식은 문자 체계와 언어별로 학습되므로, 덜 흔한 문자 체계나 여러 언어가 섞인 페이지는 더 어렵습니다. 다단, 선이 없는 표, 그림 위의 텍스트는 레이아웃 단계를 더 어렵게 만듭니다.

텍스트가 맞는데도 Word 파일이 달라 보일 수 있는 이유

글자 인식은 작업의 절반일 뿐입니다. 변환기는 페이지를 Word가 이해할 수 있는 형태로 다시 만들어야 하며, 여기에는 절충이 따릅니다. 텍스트를 일반적인 흐르는 문단으로 쓰면 편집하기는 쉽지만 원래 레이아웃에서 벗어납니다. 텍스트 덩어리를 정확한 위치에 고정하면 겉보기는 맞지만, 한 덩어리에 입력해도 다음 덩어리가 밀려 내려가지 않아 편집하기가 불편합니다.

그 밖의 차이는 스캔본에 애초에 없는 정보에서 비롯됩니다. OCR은 어떤 글꼴이 쓰였는지 알 수 없으므로 Word에는 비슷한 글꼴이 들어가고 줄 바꿈 위치가 달라집니다. 괘선이 있는 표는 Word 표로 다시 만들 수 있지만, 선이 없는 표는 탭이나 공백으로 구분된 텍스트로 들어올 수 있습니다. 머리글, 바닥글, 페이지 번호가 본문에 들어갈 수 있고, 로고, 도장, 서명은 이미지로 남습니다.

PDF Word 변환기로 스캔본 변환하기

PDF Word 변환기는 필요한 페이지에 OCR을 자동으로 실행하므로, 스캔본은 편집 가능한 텍스트가 담긴 .docx로 돌아오고 이미 텍스트가 있는 페이지는 바로 변환됩니다. 파일은 문서 변환 업체로 전송되며, 업체는 파일과 결과물을 3시간 안에 삭제한다고 밝히고 있습니다. 정해진 크기 제한은 없지만 업로드가 약 40초 안에 끝나야 하므로, 아주 큰 스캔본은 빠른 연결이 필요합니다. 열 때 비밀번호가 필요한 PDF는 먼저 잠금을 해제해야 합니다.

변환하기 전에 해 두면 좋은 일이 몇 가지 있습니다.

옆으로 누웠거나 거꾸로 된 페이지를 바로 돌리고, 빈 페이지를 지우세요. 파일 정리로 파일을 업로드하지 않고 둘 다 할 수 있습니다.
종이를 직접 스캔한다면 스캐너의 흑백 모드 대신 회색조나 컬러 300 DPI를 쓰세요. 흑백 모드는 OCR이 보기도 전에 가는 글자를 끊어 버릴 수 있습니다.
몇 페이지만 필요하다면 그 페이지만 변환하세요. 나중에 확인할 양이 줄어듭니다.

믿고 쓰기 전에 확인할 것

OCR은 실제 스캔본 대부분에서 실수를 하며, 실수해도 아무런 경고를 하지 않습니다. 변환한 문서를 보내거나 제출하기 전에 다음을 확인하세요.

중요한 숫자는 모두. 합계, 날짜, 금액, 계좌 번호와 참조 번호, 전화번호입니다. 그럴듯해 보이는지가 아니라 스캔본과 대조해 확인하세요.
이름과 주소. 사전에 거의 없으므로 바로잡아 주는 것이 없습니다.
맞춤법 검사기가 밑줄을 긋는 단어. 빨간 밑줄은 OCR이 잘못 추측한 곳에 몰리므로, Word의 맞춤법 검사가 대략적인 오류 탐지기 역할을 합니다.
작은 글씨와 여백. 각주, 도장, 여백의 메모는 통째로 빠지는 경우가 가장 많은 텍스트입니다.
표. 각 값이 올바른 행과 열에 있는지 확인하세요.

잘 안 되는 경우

어떤 변환기로도 만족스럽지 않은 문서가 있습니다. 손으로 쓴 양식, 팩스, 화면 해상도로 찍은 문서 스크린샷, 사진이나 도표의 일부인 텍스트는 중요한 부분이라면 대개 다시 입력해야 합니다.

저희 도구 중 두 가지는 스캔본을 전혀 읽지 않습니다. PDF Excel 변환기는 PDF에 이미 있는 텍스트만 읽으므로 스캔한 페이지에서 표를 뽑아낼 수 없습니다. 문서 번역도 같은 이유로 스캔한 PDF를 받지 않습니다. 두 경우 모두 먼저 PDF Word 변환기로 스캔본을 변환하고, 텍스트를 확인한 다음, Word 파일로 작업하면 됩니다. 표는 Excel에 복사하고, .docx는 번역하세요.

마치며

스캔한 PDF를 Word로 변환하는 것은 연이은 두 번의 추측입니다. 글자가 무엇인지, 그리고 페이지가 어떻게 구성되었는지입니다. 선명하고 반듯한 300 DPI 스캔본은 두 추측을 모두 쉽게 해 주고, 숫자와 이름을 꼼꼼히 확인하면 OCR의 실수를 잡아낼 수 있습니다. 결과물을 원본의 사본이 아니라 텍스트의 초안으로 여기면 낭패를 보는 일은 거의 없을 것입니다.

텍스트로 바꿀 스캔본이 있나요? PDF Word 변환기를 사용해 보세요.

← 블로그로 돌아가기