한국어
PDF에서 텍스트를 추출하는 방법
PDF에서 텍스트를 추출하려면 파일을 위 상자에 끌어다 놓으세요. 쪽을 읽는 대로 오른쪽에 텍스트가 나타나며, 복사하거나 .txt나 마크다운 파일로 내려받을 수 있습니다. 모든 작업은 브라우저에서 이루어지므로 계약서, 은행 거래 내역, 미공개 원고가 서버로 전송되지 않습니다.
- PDF를 한 개 또는 여러 개 추가하세요. 도구가 어떻게 작동하는지만 보고 싶다면 샘플 버튼을 쓰세요.
- 일반 텍스트나 마크다운을 고르고, 줄을 문단으로 이을지 정하세요.
- 파일의 일부만 필요하다면 쪽 범위를 입력하세요. 예를 들어 1-3, 5, 8-처럼 씁니다.
- 전체 문서 보기나 쪽별 보기에서 결과를 확인한 뒤 복사하거나 내려받으세요. 파일이 여러 개라면 전체 내려받기 (.zip)로 PDF마다 텍스트 파일 하나씩을 받을 수 있습니다.
텍스트 위의 단어 수와 글자 수는 고른 쪽을 기준으로 합니다. 워드프로세서를 열지 않고도 긴 보고서의 분량을 빠르게 셀 때 유용합니다.
PDF에서 복사한 텍스트가 엉망인 이유
PDF에는 문단이 들어 있지 않습니다. 좌표가 있는 글자 조각이 들어 있을 뿐이며, 그 조각은 파일을 만든 프로그램이 고른 순서대로 그려져 있습니다. PDF 뷰어에서 선택해 복사하면 인쇄된 줄마다 줄바꿈이 생기고, 하이픈으로 반으로 잘린 단어가 나오며, 두 단으로 된 기사에서는 왼쪽 단의 첫 줄 다음에 오른쪽 단의 첫 줄이 붙습니다.
이 도구는 좌표를 바탕으로 구조를 다시 만듭니다.
| 복사할 때의 문제 | 도구가 하는 일 | 옵션 |
|---|---|---|
| 인쇄된 줄마다 생기는 줄바꿈 | 문단의 줄을 잇고, 문단 사이의 간격은 유지합니다 | 줄바꿈 |
| inter- national처럼 두 줄로 나뉜 단어 | 하이픈을 지우고 단어를 잇습니다 | 줄 끝에서 하이픈으로 나뉜 단어 고치기 |
| 섞여 버린 단 | 왼쪽 단을 아래까지 읽은 뒤 다음 단을 읽습니다 | 단을 차례대로 읽기 |
| 모든 쪽에 있는 쪽 번호와 제목 | 위나 아래 여백에서 반복되는 줄을 지웁니다 | 반복되는 머리글과 바닥글 제거 |
| 한 줄의 단어 흐름으로 뭉개진 표 | 행과 열을 유지하며, 탭으로 나누거나 마크다운 표로 만듭니다 | 표 인식 |
하이픈 고치기에 대한 주의점이 있습니다. 소문자로 이어지는 줄을 앞 단어에 붙이므로, 하이픈에서 우연히 나뉜 실제 복합어, 예를 들어 "well-
known"은 "wellknown"이 됩니다. 복합어가 많은 문서라면 이 옵션을 끄세요.
일반 텍스트와 마크다운 중 무엇을 고를까요?
이메일, 메모 앱, 번역 도구에 붙여 넣을 것이라면 일반 텍스트가 가장 안전합니다. 문서, 위키, 또는 마크다운을 이해하는 메모 앱에 넣을 것이라면 마크다운이 낫습니다. 도구는 글자 크기로 제목을 추정합니다. 가장 큰 제목 크기는 #, 그다음은 ##, 그다음은 ###이 됩니다. 글머리 기호와 번호 목록은 기호를 유지하고, 표는 마크다운 표가 됩니다. 모든 글자가 같은 크기인 PDF에는 찾을 제목이 없습니다.
스캔한 PDF와 OCR
스캔은 쪽을 찍은 사진이므로 추출할 글자가 없습니다. 쪽에 글자 층이 없으면 OCR 상자가 나타나며, 여기서 언어를 고르고 쪽을 읽으면 됩니다. OCR 엔진(Tesseract)은 브라우저에서 실행됩니다. 엔진과 언어 데이터는 처음 사용할 때 내려받으며(수 MB, 언어에 따라 더 큼), 쪽 자체는 여전히 업로드되지 않습니다.
- 300DPI로 깨끗하게 스캔한 것은 결과가 좋습니다. 그림자가 지고 비스듬하게 찍은 휴대폰 사진은 결과가 눈에 띄게 나쁩니다.
- 올바른 언어를 고르세요. 스페인어 쪽을 영어 OCR로 읽으면 모든 악센트가 사라집니다.
- 표와 다단 배치는 실제 글자보다 OCR에서 덜 믿을 만합니다. 특히 숫자는 꼭 교정하세요.
할 수 없는 일
그림, 차트, 도면의 일부인 글자는 PDF에서 실제 텍스트가 아니므로, 쪽에 OCR을 쓰지 않는 한 건너뜁니다. 떠 있는 상자, 사이드바, 그림을 감싸는 글이 있는 복잡한 배치는 순서가 어긋날 수 있으며, 쪽별 보기가 이를 찾는 가장 빠른 방법입니다. 손상된 글꼴 인코딩으로 만들어진 PDF는 글자가 깨져 나올 수 있는데, 이는 내려받기 전에 결과에서 보입니다. 옆으로 그려진 글자는 빠집니다. 150MB가 넘는 파일은 탭의 메모리가 부족하지 않도록 거부됩니다.
자주 묻는 질문
업로드하지 않고 PDF에서 텍스트를 추출하려면 어떻게 하나요?
이 페이지에 PDF를 끌어다 놓으면 잠시 후 오른쪽에 텍스트가 나타나며, 복사하거나 .txt로 내려받을 수 있습니다. 파일은 브라우저가 직접 읽으므로 휴대폰이나 컴퓨터 밖으로 나가지 않습니다. 글자가 있는 20쪽짜리 PDF는 몇 초면 끝납니다.
PDF에서 복사한 텍스트에 줄이 끊기고 간격이 이상한 이유는 무엇인가요?
PDF는 문단이 아니라 각 줄을 쪽 위의 조각으로 따로 저장합니다. 이 도구는 조각을 읽는 순서대로 되돌리고, 문단의 줄을 잇고, 줄 끝에서 하이픈으로 나뉜 단어를 고쳐서 문서에 깔끔하게 붙여 넣을 수 있게 합니다. 인쇄된 그대로의 줄이 필요하다면 줄바꿈을 줄바꿈 유지로 바꾸세요.
두 단이나 세 단으로 된 PDF도 올바른 순서로 읽나요?
대부분의 경우 그렇습니다. 도구는 뚜렷한 세로 간격을 찾고, 한 단을 위에서 아래로 읽은 뒤 다음 단으로 넘어갑니다. 단 위의 전체 너비 제목은 맨 위에 그대로 둡니다. 다만 그림 주변으로 글이 감싸거나 사이드바, 불규칙한 상자가 있는 잡지 쪽은 여전히 순서가 어긋날 수 있으니, 쪽별 보기에서 확인하세요.
스캔한 PDF에서 텍스트를 어떻게 추출하나요?
쪽에 글자 층이 없으면 나타나는 OCR 상자를 쓰세요. 문서의 언어를 고르고 쪽 OCR로 읽기를 누르면 됩니다. 엔진은 브라우저에서 실행되며, 처음 한 번만 언어 데이터를 내려받습니다. 깨끗한 300DPI 스캔은 잘 읽히지만 기울어진 휴대폰 사진은 훨씬 나쁘므로, 결과는 꼭 교정하세요.
제목이 있는 마크다운 형식으로 텍스트를 받을 수 있나요?
네. 마크다운(.md)을 고르면 큰 글자가 제목이 됩니다. 가장 큰 글자는 #, 그다음은 ##, 그다음은 ###이 됩니다. 글머리 기호와 번호 목록은 기호를 그대로 유지하고 표는 마크다운 표가 됩니다. 제목은 글자 크기로 추정하므로, 모든 글자가 같은 크기인 PDF에는 제목이 없습니다.
추출한 텍스트에서 머리글, 바닥글, 쪽 번호는 어떻게 지우나요?
반복되는 머리글, 바닥글, 쪽 번호 제거 옵션을 그대로 체크해 두세요. 위나 아래 여백에 있으면서 쪽의 절반 이상에서 반복되는 줄과 쪽 번호만 있는 줄은 빠집니다. 한 쪽에만 나오는 제목은 남습니다. 필요한 바닥글이 지워지면 옵션을 끄세요.
일부 쪽만, 또는 여러 PDF를 한꺼번에 추출할 수 있나요?
쪽 칸에 1-3, 5, 8-처럼 입력하면 그 쪽만 읽습니다. PDF를 여러 개 추가해 파일마다 텍스트 파일을 하나씩 .zip 한 파일로 받을 수도 있습니다. 같은 옵션과 쪽 범위가 모든 파일에 적용됩니다.
PDF 크기에 제한이 있나요?
150MB까지 열 수 있으며, 한 번에 최대 3,000쪽까지 읽습니다. 쪽은 하나씩 진행 막대와 취소 버튼과 함께 처리되므로, 200쪽짜리 파일도 탭이 멈추지 않습니다. 암호가 걸린 PDF는 암호를 물어보며, 입력한 암호는 기기에서 파일을 여는 데만 씁니다.