스캔한 PDF를 Markdown으로 변환하려면 MD Factory에 추가하세요. 앱이 글자가 그림으로만 들어 있는 페이지를 찾아 내장 OCR로 PC에서 텍스트를 인식하고, PDF 옆에 Markdown 파일을 저장합니다.
OCR은 깨끗한 인쇄 페이지는 잘 읽지만, 흐리거나 기울어졌거나 손으로 쓴 페이지에서는 실수를 합니다. 그러니 결과는 스캔본과 대조해 확인할 생각으로 작업하세요. 아래에서는 일반 PDF와 다른 부분을 다룹니다. OCR 언어, ‘검토 필요’ 상태, 표, 손글씨, 스캐너 설정입니다.
스캔한 PDF 변환하기
- MD Factory를 여세요.
- ‘파일 추가’를 클릭해 PDF를 선택하거나, PDF를 창으로 끌어다 놓으세요. 하위 폴더까지 포함해 스캔본 폴더 전체를 변환하려면 ‘폴더 추가’를 클릭하세요.
- 변환은 바로 시작됩니다. 첫 번째 PDF는 페이지를 처리하기 전에 항목에 ‘PDF 엔진 로드’라고 표시됩니다.
- 항목에 결과가 표시될 때까지 기다리세요. 결과는 ‘완료’, ‘검토 필요’, ‘실패’ 중 하나입니다.
- 항목의 결과 경로를 더블클릭하면 Markdown 파일이 열립니다.
Markdown 파일은 PDF와 같은 이름으로 같은 폴더에 저장됩니다. 페이지에 사진이나 도표 같은 그림이 있으면 그 옆의 폴더에 들어갑니다. PDF 자체는 바뀌지 않습니다.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/PDF는 하나씩 차례로 변환되고, 대기열에 있는 다른 형식의 문서는 그동안 함께 처리됩니다. 앱은 로컬 드라이브에 있는 파일만 읽습니다. 스캐너가 네트워크 폴더에 저장한다면 먼저 PDF를 PC로 복사하세요.
앱이 OCR이 필요한 페이지를 판단하는 방법
글자가 그림으로만 존재하는 페이지에는 OCR이 필요합니다. MD Factory는 PDF마다 선택할 수 있는 텍스트가 있는지 확인하고, 다음 두 가지 방식 중 하나를 고릅니다.
- 선택할 수 있는 텍스트가 있는 페이지가 하나도 없으면 파일 전체를 스캔본으로 보고, 모든 페이지를 통째로 OCR로 인식합니다.
- 일부 페이지에 텍스트가 있으면 그 텍스트는 그대로 두고, 타이핑한 보고서 안에 끼워 넣은 스캔 페이지처럼 글자가 이미지로 들어 있는 부분에만 OCR을 실행합니다.
이렇게 섞인 PDF도 따로 준비할 필요가 없습니다. 저희 테스트에서는 첫 페이지와 마지막 페이지는 타이핑한 텍스트이고 가운데 페이지는 스캔본인 3페이지짜리 파일이 세 페이지의 텍스트를 모두 담은 Markdown 파일 하나로 변환되었습니다.
MD Factory는 스캔본을 PDF 파일로만 받습니다. JPG, PNG, TIFF 같은 이미지 파일은 건너뛴 항목으로 표시되므로, 스캐너 앱에서 PDF로 저장하도록 설정하세요.
PDF의 모든 페이지에 이미 선택할 수 있는 텍스트가 있다면 OCR은 쓰이지 않습니다. 이런 파일은 PDF를 Markdown으로 변환하는 가이드에서 다룹니다.
OCR 언어 선택하기
모든 PDF는 OCR 언어가 ‘자동(스크립트 감지)’으로 설정된 상태에서 시작합니다. 이 모드에서 앱은 페이지마다 라틴 문자, 키릴 문자, 그리스 문자, 아랍 문자 등 어떤 문자를 쓰는지 알아내고, 그 문자에 맞는 모델로 페이지를 읽습니다. 300 dpi로 스캔한 12포인트 텍스트의 깨끗한 테스트 페이지로 시험했을 때, ‘자동’은 영어 페이지를 오류 없이 읽었고 러시아어 페이지에서는 100자당 틀린 글자가 1자 미만이었습니다.
언어는 PDF가 ‘검토 필요’나 ‘실패’로 끝났을 때 선택합니다.
- 대기열 처리가 모두 끝나면 해당 파일 항목의 상태를 클릭하세요. 발견된 문제 목록이 담긴 창이 열립니다.
- ‘OCR 언어’ 목록을 열고 문서의 언어를 고르세요.
- ‘다시 해 보다’ 버튼을 클릭하세요.
언어를 미리 정해 두는 설정은 없습니다. 새 PDF는 모두 ‘자동’으로 시작하며, 다음에 다시 시도할 때는 마지막으로 고른 언어가 미리 선택되어 있습니다.
한 페이지에 두 언어가 있어도 영어와 독일어처럼 같은 문자를 쓴다면 ‘자동’으로 처리됩니다.
문자가 서로 다르면 ‘자동’은 페이지 전체를 그중 한 가지 문자로 읽습니다. 대부분의 문자는 해당 모델이 영어도 함께 다루므로, 그리스어나 아랍어 페이지에 섞인 영어 용어는 대개 제대로 인식됩니다. 키릴 문자는 예외입니다. 저희 테스트에서 영어와 러시아어가 함께 있는 페이지는 ‘검토 필요’가 되었습니다. 페이지의 주 언어로 다시 시도한 다음, 다른 문자로 된 단어는 스캔본과 대조해 확인하세요.
스캔본에서 ‘검토 필요’의 의미
‘검토 필요’는 앱이 Markdown 파일을 저장했지만 확인해 볼 만한 문제를 발견했다는 뜻입니다. 스캔본이라면 상태를 클릭해 열리는 창에 보통 다음 메시지 중 하나가 표시되며, 괄호 안에 페이지 번호가 함께 나옵니다.
| 메시지 | 상황 | 대처 방법 |
|---|---|---|
| OCR이 이 문서의 일부를 읽을 수 없습니다. 언어를 선택하고 다시 시도하세요. | 해당 페이지에서 인식된 단어의 평균 신뢰도가 75% 미만이거나, 페이지 일부를 읽지 못했습니다. | 문서의 언어를 골라 다시 시도하세요. 언어가 이미 맞다면 해당 페이지를 스캔본과 대조하거나 다시 스캔하세요. |
| 페이지에 추출된 텍스트가 없습니다. 소스와 비교하여 확인하십시오. | 해당 페이지에서 아무것도 인식되지 않았습니다. 빈 페이지에도 이 메시지가 표시됩니다. | PDF에서 해당 페이지를 확인하세요. 글자가 있다면 더 선명하게 다시 스캔하세요. |
어떤 페이지에서도 텍스트를 얻지 못하면 파일은 ‘실패’로 표시되고, 창에는 OCR 언어를 직접 지정해 다시 시도해 보라는 안내가 나옵니다.
‘완료’라고 해서 모든 글자가 맞다는 뜻은 아닙니다. 검사는 페이지 전체의 평균을 보기 때문에, 나머지는 깨끗한 페이지에서 글자 하나를 잘못 읽은 정도로는 걸리지 않습니다. 앞에서 말한 깨끗한 러시아어 테스트 페이지에서는 숫자 1248이 124%로 나왔습니다.
텍스트를 믿고 쓰기 전에, 사용할 정보는 모두 스캔본과 비교하세요. 이름, 날짜, 금액, 계좌 번호나 신분증 번호가 여기에 해당합니다.
기울어지거나 잡티가 있거나 흐린 페이지
약간 기울어지거나 잡티가 조금 있는 정도는 문제가 되지 않습니다. 저희 테스트에서 약 1도 기울어지고 살짝 흐릿하며 미세한 잡티가 가득한 테스트 페이지는 ‘완료’로 변환되었습니다.
스캔 품질이 나쁘면 표시가 붙습니다. 흐릿하고 대비가 낮으며 저해상도로 스캔된 데다 3.5도 기울어진 페이지는 ‘검토 필요’가 되었습니다.
옆으로 눕거나 거꾸로 된 페이지는 변환하기 전에 스캐너 앱이나 PDF 편집기에서 회전하세요. 언어가 아니라 품질 때문에 ‘검토 필요’가 된 페이지는 아래 설정대로 다시 스캔하세요.
스캔한 페이지의 표
MD Factory는 스캔한 페이지에서도 표를 찾아 Markdown 표로 작성합니다. 그래도 셀 하나하나는 OCR 텍스트이고, 표는 오류를 잘 감춥니다. 숫자 열에서 틀린 숫자 하나는 맞는 숫자만큼이나 그럴듯해 보입니다.
표를 스캔본과 한 행씩 비교하세요. 열을 합산해 인쇄된 합계와 맞는지 확인하세요. 값이 엉뚱한 행이나 열로 옮겨졌다면 Markdown에서 바로잡으세요. PDF 가이드에 행이 흐트러진 표를 복원하는 예시가 있습니다.
손글씨
MD Factory는 인쇄되거나 타이핑된 글자를 인식합니다. 손글씨용으로 만들어지지는 않았습니다. 손으로 쓴 메모, 여백에 적은 의견, 직접 기입한 양식 칸은 글자가 깨지거나 빠질 수 있습니다.
손으로 쓴 부분은 변환된 텍스트를 믿지 마세요. 스캔본을 기준으로 삼고, 그 부분은 직접 입력하세요.
OCR이 잘 되도록 스캔하기
인식 품질은 이미지에 달려 있습니다. Tesseract의 OCR 품질 개선 가이드에 이미지를 읽기 어렵게 만드는 요인이 정리되어 있습니다. 스캔에 적용하면 다음 다섯 가지로 요약됩니다.
- 300 dpi 이상으로 스캔하세요. 가이드에 따르면 해상도가 300 dpi 이상일 때 인식이 가장 잘 됩니다.
- 종이를 유리판 위에 반듯하게 놓으세요. 페이지가 기울어지면 텍스트 줄을 구분하기가 훨씬 어려워집니다.
- 조명을 고르게 하세요. 휴대폰으로 페이지를 촬영할 때는 특히 중요합니다. 그림자나 고르지 않게 어두운 배경이 있으면 글자와 종이를 구분하기 어려워집니다.
- 스캐너 덮개를 닫거나 가장자리를 잘라 내세요. 스캔한 페이지 주변의 어두운 테두리는 불필요한 글자로 읽힐 수 있습니다.
- 가지고 있는 것 중 가장 깨끗한 사본을 쓰세요. 잡티 같은 노이즈는 정확도를 떨어뜨립니다.
문서마다 별도의 PDF로 저장하세요. MD Factory는 PDF 하나당 Markdown 파일 하나를 만들기 때문에, 서로 관련 없는 서류 더미를 한 파일로 스캔하면 긴 노트 하나가 됩니다.
신분증, 계약서, 의료 기록
스캔본에는 개인 정보가 담긴 경우가 많습니다. 여권, 계약서, 은행 거래 내역서, 의료 기록 같은 것들입니다. MD Factory는 PC에서 글자를 인식하며, PDF나 인식된 텍스트를 업로드하지 않습니다.
Markdown 파일은 스캔본 옆에 저장됩니다. 그림 속에 갇혀 있던 글자는 이제 폴더에 접근할 수 있는 사람이라면 누구나 읽고 검색할 수 있는 일반 텍스트가 됩니다. 그 폴더가 OneDrive나 다른 클라우드 서비스와 동기화된다면 Markdown 파일도 함께 동기화됩니다. 폴더가 어디에 저장되는지 확인하는 방법은 업로드 없이 문서를 변환하는 가이드에서 설명합니다.
법률, 의료, 금융 문서는 스캔본이 원본으로 남습니다. Markdown은 작업용 사본으로 보고, 이를 근거로 무언가를 하기 전에 모든 숫자를 스캔본과 대조하세요. 더 이상 필요 없으면 Markdown 파일과 이미지 폴더를 삭제하세요.