OCR이란: 스캔한 PDF가 검색 가능한 텍스트가 되는 원리

스캔한 문서는 — 실제 스캐너에서 왔든 그냥 전화 카메라에서 왔든 — 컴퓨터에게는 사진입니다. Ctrl+F는 아무것도 찾지 못합니다. 찾을 텍스트가 없고, 읽는 사람에게 글자처럼 보일 뿐인 픽셀만 있기 때문입니다.

OCR이 실제로 하는 일

광학 문자 인식은 페이지의 모양을 분석해 그것이 어떤 문자를 나타내는지 예측하고, 그 예측된 텍스트를 원본 이미지 바로 위에 배치된 보이지 않는 선택 가능한 계층으로 추가합니다. 시각적으로는 아무것도 변하지 않습니다. 여전히 같은 스캔을 보고 있습니다. 기능적으로는 이제 페이지 뒤에 브라우저나 PDF 리더가 검색, 선택, 복사할 수 있는 진짜 텍스트가 있습니다.

여기서 OCR이 전부 브라우저에서 실행되는 이유

OCR PDF는 오픈소스 OCR 엔진 Tesseract의 WebAssembly 빌드인 Tesseract.js를 사용하며, 작업 중에 페이지가 멈추지 않도록 Web Worker로 돌립니다. 인식 자체는 당신의 기기에서 이뤄지며, 스캔은 읽히기 위해 어디로도 전송되지 않습니다.

정확도에 영향을 주는 것

• 스캔 품질 — 선명하고 조명이 좋으며 반듯한 스캔은 흐릿하거나 심하게 기울어진 전화 사진보다 훨씬 정확하게 인식됩니다.
• 손글씨 — Tesseract는 대부분의 OCR 엔진처럼 인쇄된 텍스트용으로 만들어졌습니다. 손글씨 인식은 다르고 훨씬 덜 신뢰할 수 있는 문제입니다.
• 특이한 글꼴이나 강한 장식 — 장식적인 서체나 저대비 텍스트는, 빠르게 훑는 사람을 어렵게 하는 것과 같은 방식으로 정확도를 떨어뜨립니다.