글자는 보이는데, 왜 복사는 안 돼?

모임 안내문에서 시간과 장소만 복사하려고 했습니다. 눈으로는 분명 ‘목요일 오후 3시’가 보이는데, 마우스로 문장을 훑어도 글자가 선택되지 않습니다. 안내문 한 장만 통째로 잡힙니다.

눈에는 문장이지만, 파일 안에는 글자 모양이 그려진 이미지만 들어 있을 수 있습니다. 종이를 스캔한 PDF도 처음에는 이미지 데이터만 담고 있을 수 있고요.^[1] 보인다는 것만으로 글자 하나하나가 텍스트로 저장돼 있다는 뜻은 아닙니다.

같은 안내문을 두 방식으로 담으면

아래 두 안내문은 내용이 같습니다. 첫 안내문은 한 장의 PNG 이미지이고, 다음 안내문은 웹페이지에 직접 적은 텍스트입니다. 텍스트 예시의 문장은 일반적인 텍스트 선택으로 고를 수 있습니다.

이미지로 담은 문장

직접 적은 텍스트

회의 안내
목요일 오후 3시
2층 작은 회의실

자체 만든 가상 안내문입니다. PNG와 같은 문장을 직접 적은 HTML을 비교하며, OCR을 실행한 결과가 아닙니다. 브라우저의 별도 이미지 글자 인식 기능은 이 예시에 포함하지 않았습니다.

이미지 예시에도 읽을 수 있는 모양은 있습니다. 하지만 이 페이지에는 그 이미지 안의 문장을 선택할 별도 텍스트층을 넣지 않았습니다. 텍스트 예시는 문장 자체가 텍스트로 들어 있습니다. 겉모습이 비슷해도 담긴 방식이 다른 셈입니다.

그림 속 글자 모양에서 텍스트를 얻는 OCR

이미지에 있는 글자 모양을 인식해 텍스트로 만드는 기술을 OCR이라고 합니다. Optical Character Recognition, 우리말로는 광학 문자 인식입니다. 사람이 다시 타이핑할 일을 줄이도록 이미지에서 문자를 읽어 내는 겁니다.^[1]

스캔한 PDF에 OCR을 적용하면, 이미지 속 문장을 검색하거나 선택할 수 있는 텍스트로 만들 수 있습니다. 원래부터 텍스트가 들어 있는 PDF도 있으므로 PDF라는 이름만 보고 전부 그림이라고 판단하면 안 됩니다.

또 보이는 문장을 글자로 읽어 내는 일과, 다른 언어로 번역하거나 내용의 의미를 판단하는 일은 구분해야 합니다. OCR을 했다는 사실만으로 그런 작업까지 완료된 것은 아닙니다.

읽어 냈다면, 숫자부터 다시 보기

작고 흐린 글씨, 낮은 대비, 기울어진 문서는 인식이 어려울 수 있습니다. 글자를 다른 글자로 읽거나 일부를 놓치는 경우도 있습니다. 이미지의 해상도와 조명, 글자의 크기와 밀도 등이 결과에 영향을 줍니다.^[2]

약속 시간이나 계좌 번호처럼 숫자 하나가 중요한 내용은, 추출된 텍스트를 원래 이미지와 나란히 놓고 확인하세요. 이름도 마찬가지입니다. 복사할 수 있게 됐다는 것과 정확하게 옮겨졌다는 것은 별도로 확인할 일입니다.

복사가 안 되면, 원인부터 나눠 보기

글자 선택이 안 된다고 항상 OCR부터 필요한 것은 아닙니다. PDF 작성자가 복사를 막는 보안 설정을 적용한 경우도 있습니다.^[3] 문서에서 복사가 허용돼 있는지, 현재 도구가 텍스트를 선택하는 모드인지도 확인해야 합니다.

• 먼저 문장 일부가 선택되는지, 문서 안에서 단어 검색이 되는지 확인합니다.
• 이미지만 담긴 문서라면, 사용하는 문서 도구의 OCR 기능을 확인합니다.
• 인식 후에는 필요한 문장의 숫자·이름을 원본과 대조합니다.

화면에 보이는 글자를 다시 쓸 수 있게 만드는 데는 중간 과정이 필요할 때가 있습니다. 눈으로 읽은 안내문을 프로그램도 텍스트로 다룰 수 있게 만드는 것. OCR은 그 일을 도와줍니다.