PDF·문서
PDF OCR
스캔 PDF에서 페이지별 텍스트를 추출합니다.
PDF OCR 텍스트 추출
이런 PDF에 씁니다
- 종이 계약서·고지서를 스캔한 PDF
- 이미지로만 만들어진 보고서·영수증 PDF
- 텍스트 복사가 되지 않는 스캔 증명서
이미 텍스트가 들어 있는 PDF는 OCR보다 복사가 정확합니다. 파일을 열면 상단에 텍스트 레이어 감지 안내가 표시됩니다.
처리 방식
- PDF 페이지를 선택한 DPI로 이미지로 렌더링합니다.
- 각 페이지를 브라우저의 OCR 엔진(tesseract.js)으로 인식합니다.
- 페이지별 텍스트를 구분선과 함께 하나의 TXT로 합칩니다.
첫 실행은 인식 엔진·언어 데이터를 내려받아 7~12MB를 사용합니다. 한 번 받으면 캐시됩니다. 페이지당 5~20초가 걸릴 수 있습니다.
알아두세요
- 한 번에 최대 20쪽까지 처리합니다. 그 이상은 범위를 나눠 실행하세요.
- 300 DPI·20쪽은 수 분이 걸릴 수 있습니다. 필요할 때만 사용하세요.
- 표·다단 레이아웃은 줄 순서가 섞일 수 있습니다. 중요한 문서는 결과를 검토하세요.
- 암호가 걸린 PDF는 열 수 없습니다. 암호를 해제한 뒤 사용하세요.
- 스캔이 기울어졌다면 먼저 PDF → JPG로 변환해 이미지를 반듯하게 만든 뒤 사용하는 편이 좋습니다.
파일은 서버로 가지 않습니다
PDF 렌더링과 OCR이 모두 브라우저의 Web Worker 안에서 실행됩니다. 계약서·증명서 같은 민감한 문서도 서버에 올리지 않고 처리할 수 있습니다. 자세한 원리는작동 원리에 정리했습니다.
자주 묻는 질문
몇 페이지까지 한 번에 처리할 수 있나요?
한 번에 최대 20쪽까지 처리합니다. 페이지당 5~20초가 걸리므로, 많은 문서는 범위를 나눠 실행하는 편이 안전합니다.
텍스트가 이미 있는 PDF도 OCR하나요?
가능하지만 권장하지 않습니다. 파일을 열면 텍스트 레이어 감지 안내가 표시됩니다. 텍스트가 있는 PDF는 복사하는 편이 더 정확하고 빠릅니다.
첫 실행이 왜 느린가요?
PDF 렌더링 엔진과 OCR 엔진·언어 데이터를 내려받기 때문입니다. OCR 데이터는 약 7~12MB이며, 한 번 받으면 브라우저에 캐시됩니다.
표나 도장이 많은 문서도 인식되나요?
표는 줄 순서가 섞일 수 있고, 도장·서명은 텍스트로 인식되지 않습니다. 금액·날짜 같은 핵심 값은 결과를 반드시 검토하세요.
참고
이 결과는 참고용입니다. 실제 업무 문서의 규격·보안 정책은 소속 기관의 안내를 우선하세요.