PDF 텍스트 추출 vs. OCR: 번역 전 올바른 방식 선택하기

PDF에 신뢰할 수 있는 기계 판독 가능 텍스트가 이미 포함되어 있다면 텍스트 추출을 사용하세요. 페이지가 텍스트 이미지로만 구성되어 있다면 OCR을 적용해야 합니다. 하지만 기존 텍스트 레이어에 오류가 있다면 두 규칙만으로는 충분하지 않습니다. 추출된 단어를 눈에 보이는 페이지와 직접 비교한 뒤, 해당 레이어를 그대로 둘지, 교체할지, 아니면 다시 생성할지 결정해야 합니다.

이러한 결정은 반드시 번역 전에 이루어져야 합니다. 번역기는 작업 과정에 잘못 입력된 수치, 인명, 문장을 스스로 복원할 수 없으며, 전달받은 원문 텍스트만을 번역할 뿐입니다.

빠른 결정을 위한 가이드

파일 단위가 아닌 페이지 단위로 점검하세요. 하나의 PDF 파일 안에도 디지털로 생성된 표지, 스캔된 본문 챕터, 이전 OCR 결과가 포함된 삽입 페이지가 섞여 있을 수 있습니다.

단어를 마우스로 드래그하여 선택할 수 있다는 것은 텍스트 객체가 존재한다는 증거일 뿐입니다. 그 텍스트가 페이지 내용과 일치한다는 것을 증명하지는 않습니다. 반대로, 복사 테스트에 실패했다고 해서 PDF 전체가 이미지만으로 되어 있다는 뜻도 아닙니다.

4페이지 분량의 혼합형 PDF 테스트

내용이 명확히 확인된 다운로드 가능한 4페이지 분량의 PDF 를 제작했습니다. 개인 정보나 제3자의 문서는 전혀 포함되어 있지 않습니다.

1. 디지털 방식으로 생성된 본디지털 페이지 1장
2. 이미지로만 구성된 페이지 1장
3. 올바른 숨겨진 텍스트 레이어가 포함된 스캔 문서 형태의 페이지 1장
4. 의도적으로 왜곡된 숨겨진 텍스트 레이어가 포함된 스캔 문서 형태의 페이지 1장

각 페이지에 대해 기존 PDF 데이터를 기반으로 Poppler pdftotext 를 실행했습니다. 이와 별도로 해당 페이지를 300dpi로 렌더링한 후 그 이미지에 Tesseract를 실행했습니다. 눈으로 보이는 기준 텍스트는 두 테스트를 시작하기 전에 미리 확정해 두었습니다.

핵심은 Tesseract가 항상 우세하다는 뜻이 아닙니다. 이번의 깔끔한 영어 테스트용 문서에서 성공한 이유는 판단 과정을 명확히 분리해 보여주고자 페이지를 그렇게 구성했기 때문입니다. 노이즈가 심한 스캔본, 생소한 문자 체계, 표, 손글씨 또는 복잡한 레이아웃에서는 새로 실행한 OCR도 다른 방식으로 실패할 수 있습니다.

전체 페이지별 결과, 판단 시트, 재현 관련 주의사항, 그리고 생성기 항목은 픽스처와 함께 제공됩니다. 2026년 9월 21일 기준 기록된 버전은 Poppler pdftotext 26.08.0 및 Tesseract 5.5.3이었습니다.

이 테스트가 증명하는 것과 증명하지 않는 것

시각적으로 읽을 수 있는 4개 페이지라 하더라도 번역 전 처리 경로가 3가지나 필요할 수 있음을 증명합니다. 또한 검색 가능한 텍스트가 그럴듯해 보이더라도 실제 페이지 내용과 다를 수 있음을 보여줍니다.

이 테스트는 전반적인 OCR 정확도, 독자 접근성, 표 복원력, 다국어 인식 능력, 또는 BookTranslator의 업로드 동작을 측정한 것은 아닙니다. 페이지 구성이 단순하며, 4페이지의 오류는 의도적으로 삽입된 것으로 Tesseract가 생성한 오류가 아닙니다.

텍스트 추출과 OCR이 서로 다른 작업인 이유

텍스트 추출은 PDF에 이미 저장되어 있는 텍스트 객체를 읽어옵니다. 반면 OCR은 픽셀 속의 문자를 인식합니다. 최신 pypdf 추출 가이드 에서도 동일한 기준을 제시합니다. 즉, pypdf는 기존 텍스트 레이어를 읽을 수는 있지만 이미지 내부의 단어를 인식하지는 못합니다.

이러한 차이가 중요한 이유는 디지털 PDF에 래스터화 과정에서 버려지거나 복원하기 어려워지는 문자 인코딩, 글꼴 정보, 링크, 벡터 그래픽 및 기타 문서 객체 정보가 포함될 수 있기 때문입니다. pypdf는 디지털로 생성된 파일에 OCR을 무조건 적용하는 방식에 대해 명시적으로 주의를 당부합니다. 또한 PDF는 보통 의미론적인 문단, 표, 제목 형태가 아니라 시각적 배치를 목적으로 텍스트를 저장한다는 별도의 한계점도 설명합니다.

따라서 사전 점검 단계에서는 독립적인 두 가지 질문을 확인해야 합니다.

1. 문자가 올바른가? 추출된 이름, 숫자, 문장 부호, 생소한 용어 등을 원본 페이지와 비교해 보세요.
2. 구조를 활용할 수 있는가? 완전한 문단을 하나 읽어본 다음 단락, 각주, 표, 캡션, 페이지 경계를 면밀히 살펴보세요.

문자가 올바르더라도 순서가 잘못되어 있다면 번역에 사용할 수 없는 손상된 원본입니다.

번역 전 페이지 단위 사전 점검

1. 원본 보존하기

중요한 문서라면 원본 파일을 변경하지 않은 채로 보관하고 해시값을 기록해 두세요. 테스트는 사본으로 진행해야 합니다. 불완전한 텍스트 레이어를 교체하는 과정에서 벡터 콘텐츠가 병합되어 손실되거나 나중에 필요한 정보가 삭제될 수 있습니다.

2. 페이지 유형 파악하기

첫 페이지만 보고 판단하지 마세요. 표제면, 일반 본문 페이지, 부록, 표, 삽화, 별지, 그리고 사진으로 찍었거나 복사한 것처럼 보이는 페이지를 골고루 샘플링해 확인해야 합니다.

분량이 긴 문서라면 페이지 범위를 기록해 두세요.

다운로드 가능한 CSV도 자체 테스트 샘플에 동일한 패턴을 적용합니다.

3. 단순한 산문뿐만 아니라 까다로운 토큰도 함께 비교하세요

매끄러워 보이는 문장만으로는 검증이 부족합니다. 다음 항목을 반드시 포함하세요.

• 인명
• 날짜 및 수량
• 문자와 숫자가 섞인 식별자
• 악센트 부호가 붙은 문자나 비라틴 문자
• 줄바꿈을 넘어 이어지는 문장
• 각주, 그림 또는 두 번째 단에 인접한 구절

테스트용 문서의 4페이지는 일반적인 단어만 확인하고 넘어가면 사용 가능한 것처럼 보일 수 있습니다. 오류는 O/0, 58/53, 그리고 7.5/7.8에 집중되어 있는데, 이는 번역 후 참고 자료나 사실관계를 왜곡할 수 있는 바로 그런 유형의 토큰들입니다.

4. 불확실성을 솔직하게 분류하기

결과는 샘플 통과, 샘플 실패, 추출 가능한 텍스트 없음, 미검사 등 네 가지로 분류하세요. "텍스트 선택 가능"은 결과가 될 수 없으며, "OCR 완료" 역시 마찬가지입니다.

샘플링에는 한계가 있습니다. 3페이지를 통과했다고 해서 400페이지짜리 책 전체를 보증할 수는 없으며, 특히 파일 안에 서로 다른 스캔본이나 레이아웃이 섞여 있는 경우에는 더욱 그렇습니다. 원본 상태가 바뀌는 부분에서는 샘플 범위를 늘리세요.

진단 후에만 OCRmyPDF 모드 선택하기

OCRmyPDF의 최신 문서에는 이미 텍스트가 포함된 페이지에 대한 몇 가지 동작 방식이 설명되어 있습니다. 이는 처리 경로를 선택하는 것일 뿐 품질을 보장하는 것은 아닙니다.

• 기본 동작 은 페이지에 인쇄 가능한 텍스트나 숨겨진 OCR 레이어가 이미 포함되어 있을 때 중단되는데, 발견된 텍스트가 어느 쪽인지 확실하게 구별할 수 없기 때문입니다.
• 텍스트 건너뛰기 는 텍스트가 있는 페이지는 수정 없이 그대로 복사하고 다른 페이지만 OCR을 수행합니다. 이는 기존 텍스트를 신뢰할 수 있을 때만 혼합 파일에서 유용합니다.
• OCR 다시 실행 은 인쇄 가능한 벡터 텍스트는 제외하고, 인쇄되지 않는 기존 OCR 텍스트만 제거한 뒤 페이지를 다시 인식합니다. 디지털 페이지와 이전에 OCR 처리된 페이지가 섞여 있을 때 적합할 수 있지만, 기존의 모든 구성 방식을 완벽하게 식별하지는 못합니다.
• 강제 OCR 는 벡터 콘텐츠를 래스터화한 후 결과 이미지를 OCR 처리합니다. 잘못된 레이어를 교체할 수는 있지만, 정보가 손실되며 대화형 콘텐츠가 단일 이미지로 병합될 수 있습니다.

이러한 세부 사항은 OCRmyPDF 17.12.1의 기존 텍스트 오류 관련 문서를 기반으로 합니다. 일괄 처리를 실행하기 전에 설치된 버전에 맞는 문서를 확인하세요. 플래그 이름이 북마크, 태그, 링크, 양식 또는 접근성 구조가 온전히 보존되었음을 보증해 주지는 않습니다.

이 테스트 문서에서 '텍스트 건너뛰기'를 사용하면 4페이지의 의도적으로 잘못된 숨겨진 텍스트가 그대로 유지됩니다. 그렇기 때문에 일괄 처리 모드를 선택하기 전에 복사 및 비교 검증 과정을 반드시 거쳐야 합니다.

흔히 저지르는 잘못된 판단

“텍스트 선택이 가능하면 OCR은 건너뛴다”

4페이지가 이 규칙이 틀렸음을 증명합니다. 텍스트 선택은 텍스트의 존재 여부를 감지할 뿐 정확도를 보장하지 않습니다.

“안전하게 PDF 전체를 OCR 처리한다”

그러면 깨끗한 디지털 페이지의 품질이 저하되고 유용한 PDF 객체가 손실될 수 있습니다. 또한 의미론적 읽기 순서가 자동으로 수정되지 않은 채 검토해야 할 범위만 넓어집니다.

“더 매끄러워 보이는 결과물 사용하기”

이 단계에서 매끄러운 문장에 현혹되는 것은 위험합니다. 눈에 보이는 원본 페이지와 반드시 대조해 보세요. 언어 모델이 식별자나 수치를 임의로 그럴듯하게 수정한 결과를 원본 근거로 삼아서는 안 됩니다.

“깨끗한 한 페이지만 보고 파일 전체를 판단하기”

혼합형 PDF는 흔합니다. 디지털 표지 뒤에 스캔된 장이 이어지거나, 텍스트 검색이 가능한 책 안에 이미지만으로 된 간지가 포함되어 있을 수 있습니다. 페이지 범위별로 처리 방식을 결정하고 기록하세요.

번역 가능한 PDF 판정을 위한 최종 체크리스트

파일을 번역 워크플로에 전달하기 전에 다음 항목을 모두 충족하는지 확인하세요.

1. 모든 페이지 범위가 디지털, 이미지 전용 또는 기존 OCR 여부로 분류되어 있습니다.
2. 손상된 기존 텍스트 레이어를 대체할 경로가 문서화되어 있습니다.
3. 샘플링된 페이지에서 이름, 숫자, 식별자 및 낯선 용어가 원본과 일치하는지 확인을 거쳤습니다.
4. 추출된 소스에서 문단과 단(다단)의 순서가 자연스럽게 읽힙니다.
5. 표, 그림, 각주 및 수식이 검증되었거나 별도의 관리 항목으로 명확히 추적되고 있습니다.
6. 번역 후 대조 검토를 위해 원본 PDF를 보관하고 있습니다.

텍스트가 포함된 PDF에서 이미 문제가 발생한 경우에는 별도의 복사-붙여넣기 진단 가이드 를 참고하세요. 페이지가 이미지만으로 구성되어 있다면 스캔된 PDF 워크플로 를, 언어 선택이 실패 원인 중 하나라면 다국어 혼합 OCR 가이드 를 활용하시기 바랍니다.

검증된 소스를 번역한 후 결과물 검토하기

완성된 전체 문서를 다른 언어로 읽는 것이 최종 목표라면 검증을 마친 PDF를 PDF Translator에 업로드하세요. 스캔본이나 이미지가 많은 페이지의 경우, BookTranslator의 OCR 모드가 인식 가능한 콘텐츠를 추출하여 깔끔하게 번역된 PDF로 다시 제작해 줍니다. 단, 원본의 정확한 페이지 레이아웃, 글꼴, 크기까지 그대로 보존하거나 기존의 모든 숨겨진 텍스트 레이어를 완벽히 복원하는 것은 아닙니다.

페이지 인벤토리와 원본 파일은 그대로 보관해 두세요. 번역이 끝난 후에는 번역본에서도 인명, 수량, 고유 식별자, 페이지 적용 범위, 단락 순서, 문서 구조 등 오류 위험이 큰 항목들을 다시 한번 점검해야 합니다. PDF 번역 QA 체크리스트 를 참고하여 최종 검수 과정을 진행할 수 있습니다.

기본 원칙은 명확합니다. 이미 신뢰할 수 있는 텍스트는 그대로 추출하고, 인식이 필요한 부분에만 OCR을 적용하며, 기존 텍스트 레이어에 오류가 있음을 확인했을 때만 이를 교체하세요.