PDF를 텍스트(TXT)로 변환하는 방법과 추출 후 확인할 6가지
PDF를 텍스트로 변환하려면 PDF에 텍스트 레이어가 있어야 합니다. 추출 도구가 가져오는 것은 파일에 저장된 글자이지 페이지 이미지가 아닙니다. 필요한 페이지만 TXT로 추출한 다음, 원본과 대조해 여섯 가지를 확인하세요. 빈 페이지, 단 순서, 머리글·바닥글과 쪽 번호, 표, 수식과 기호, 깨진 문자입니다. 줄바꿈 정리는 순서가 맞는지 확인한 뒤 마지막에 합니다. TXT는 메모, 인용, 긴 매뉴얼을 텍스트 편집기에서 검색하기, 다른 문서에 일부를 옮기기에 알맞습니다. 하지만 페이지를 복사한 것은 아닙니다. 글꼴, 이미지, 단, 표의 선은 사라지고, 글자의 순서는 PDF가 어떻게 만들어졌는지에 따라 달라집니다.
PDF를 텍스트로 변환하면 무엇이 남나요?
일반 텍스트 파일에는 문자와 줄바꿈만 있습니다. PDF를 텍스트로 변환하면 텍스트로 저장된 단어를 파일에서 하나씩 읽어 차례로 적습니다. 굵은 제목은 평범한 한 줄이 되고, 표는 단어와 숫자의 나열이 되며, 이미지는 사라집니다.
가장 의외인 부분은 순서입니다. PDF는 각 글자 조각이 페이지의 어느 위치에 그려지는지를 기록할 뿐, 다음에 어떤 문단이 오는지를 꼭 기록하지는 않습니다. PyMuPDF 문서도 일반 텍스트 추출은 결과를 보기 좋게 다듬지 않으며, PDF의 경우 "output not in usual reading order, unexpected line breaks and so forth", 즉 평소와 다른 읽기 순서나 예상치 못한 줄바꿈이 생길 수 있다고 분명히 밝힙니다(PyMuPDF 텍스트 추출 예제, 영어). 그래서 TXT에 단어가 하나도 빠지지 않았어도 읽어 보면 순서가 엉망일 수 있습니다.
내 PDF에 추출할 텍스트가 있을까요?
변환하기 전에 PDF를 열고 커서로 한 문장을 선택해 보세요.
- 단어가 하나씩 선택됨: 그 페이지에는 텍스트 레이어가 있어 추출 도구가 읽을 수 있습니다.
- 한 문장도 선택되지 않음: 그 페이지에는 텍스트 레이어가 없을 가능성이 큽니다. 읽을 글자가 없고, iSomor의 PDF 텍스트 추출 도구도 OCR을 하지 않습니다. 잘 모르겠다면 그냥 추출해 보세요. 읽을 수 있는 텍스트가 없는 페이지는 목록으로 표시됩니다.
- 뷰어가 비밀번호를 요구하거나 복사가 허용되지 않는다고 표시함: 문서가 보호되어 있습니다. 처리할 권한이 있는, 보호되지 않은 사본을 소유자에게 요청하세요.
한 문서에 두 종류의 페이지가 섞여 있을 수도 있습니다. 예를 들어 서명된 페이지를 이미지로 몇 장 끼워 넣은 보고서입니다. 그런 페이지에서 텍스트가 나오지 않는 것은 정상입니다.
PDF를 TXT로 변환하는 단계는?
아래 단계는 iSomor PDF 텍스트 추출을 사용합니다. 브라우저에서 PDF에 있는 텍스트 레이어를 읽고, 텍스트를 가져가기 전에 페이지마다 확인할 수 있습니다.
- PDF 하나를 선택합니다. 한 번에 텍스트가 있는 PDF 하나를 처리하며, 최대 20 MB, 200페이지까지입니다. 200페이지를 넘는 파일은 일부 페이지만 필요하더라도 받지 않습니다. 파일은 브라우저 안에서 처리되며 업로드되지 않습니다.
- 필요한 페이지를 입력합니다. 페이지 범위를 비워 두면 전체 페이지를,
1-3, 5처럼 입력하면 해당 범위를 추출합니다. 페이지 번호는 표지를 포함해 파일 맨 앞을 1로 센 위치이므로, 지면에 인쇄된 쪽 번호와 다를 수 있습니다. 한 장(章)만 필요하다면 그 장만 추출하면 확인할 분량이 줄어듭니다. - 페이지별로 미리 봅니다. 페이지를 넘기며 하나씩 원본과 비교합니다. 선택한 페이지 중 일부에 읽을 수 있는 텍스트가 없으면 그 페이지 번호가 표시되고, 숨겨진 레이어의 텍스트를 건너뛴 페이지도 함께 표시됩니다(PDF 뷰어와 마찬가지로 기본적으로 숨겨진 레이어의 텍스트는 추출하지 않습니다). 선택한 페이지 모두에 읽을 수 있는 텍스트가 없으면 선택한 페이지에 읽을 수 있는 텍스트가 없다는 메시지가 나오고 TXT는 만들어지지 않습니다.
- 복사하거나 다운로드합니다. 추출한 텍스트를 전부 복사하거나 TXT 파일로 다운로드합니다. 복사한 텍스트와 TXT 모두 두 페이지 사이마다 페이지 나누기 문자(폼 피드)가 들어가므로 페이지 경계를 알 수 있습니다. TXT는 UTF-8, LF 줄바꿈으로 저장됩니다.
페이지당 최대 20만 자, 전체 최대 100만 자까지 처리합니다. 아주 긴 문서는 여러 번에 나눠 변환하세요.
TXT를 쓰기 전에 무엇을 확인해야 할까요?
원본 PDF를 텍스트 옆에 열어 두고 먼저 다음 부분을 보세요. 추출한 텍스트에서 문제가 가장 자주 생기는 곳이며, 해결 방법도 저마다 다릅니다.
| 확인할 것 | TXT에서 보이는 모습 | 대처 방법 |
|---|---|---|
| 빈 페이지 | 읽을 수 있는 텍스트가 없는 페이지로 번호가 표시되거나, 선택한 페이지에 텍스트가 없다는 메시지가 나옴 | 그 페이지가 이미지인지 확인합니다. 파일 전체가 망가졌다고 단정하지 마세요. 나머지는 괜찮을 수 있습니다. |
| 단 순서 | 왼쪽 단 문장의 절반이 오른쪽 단 문장의 절반으로 이어짐 | 범위를 좁혀 다시 추출하고 페이지와 비교합니다. 아직 줄바꿈을 지우지 마세요. 문제를 가릴 뿐입니다. |
| 머리글, 바닥글, 쪽 번호 | 문단 중간에 책 제목이나 쪽 번호가 끼어 있음 | 페이지와 대조해 확인한 줄만 지웁니다. 한 줄에 홀로 있는 숫자는 절 번호나 본문 데이터일 수 있습니다. |
| 표 | 셀이 단어와 숫자의 나열로 바뀌고, 순서가 달라지기도 함 | 수치를 쓰기 전에 원본을 보고 행을 다시 맞춥니다. 숫자만이 아니라 머리글과 단위도 확인합니다. |
| 수식과 기호 | 위첨자·아래첨자, 분수, 마이너스 기호, 그리스 문자가 납작해지거나 빠짐 | 수식은 원본에서 직접 옮겨 적거나, 원본 몇 쪽 참조로 남겨 둡니다. |
| 깨진 문자 | PDF에서는 정상인데 TXT에서는 네모, 물음표, 엉뚱한 글자로 보임 | 파일 안 글꼴의 인코딩 방식 때문입니다. 줄바꿈 정리로는 고칠 수 없으니 같은 문서의 다른 내보내기 버전을 찾아보세요. |
단 순서 문제에는 그 나름의 원인이 있습니다. 추출이 아니라 번역을 하는 경우에도 같은 원인으로 2단 논문의 번역문 순서가 뒤섞이는데, 자세한 내용은 2단 PDF 번역 후 읽는 순서가 뒤섞였다면에서 다룹니다.
줄바꿈은 언제 정리해야 할까요?
순서가 맞은 다음입니다. 추출한 텍스트는 인쇄된 줄 끝마다 문장이 끊기는 경우가 많아서 한꺼번에 다 이어 붙이고 싶어집니다. 하지만 두 단이 아직 섞여 있거나 문단 중간에 바닥글이 남아 있으면, 줄을 이어 붙여도 엉뚱한 조각끼리 붙을 뿐입니다.
순서가 맞다면, 문단 안의 줄바꿈 하나는 잇고 문단 사이의 빈 줄은 남기는 처리가 대체로 안전합니다. 제목, 목록, 줄 끝 하이픈은 따로 살펴야 합니다. PDF에서 복사한 글은 왜 항상 엉망이 될까?에서는 iSomor 텍스트 정리로 이런 경우를 실제 처리 전후 예시와 함께 보여 줍니다.
일반 텍스트가 맞지 않는 경우는?
다시 쓸 글자가 필요할 때는 일반 텍스트가 알맞습니다. 하지만 레이아웃 자체가 의미를 담고 있을 때, 예를 들어 행 단위로 읽어야 하는 표, 캡션이 달린 그림, 문맥 속의 수식이라면 맞지 않습니다.
진짜 목적이 외국어 PDF를 읽는 것이라면, TXT로 변환한 뒤 텍스트를 번역하는 방식은 그런 문맥을 버리게 됩니다. iSomor는 원래의 텍스트 PDF를 직접 번역하고 페이지 레이아웃을 가능한 한 유지하므로, 번역문을 원래 위치에서 읽거나 원문과 번역문을 나란히 놓은 이중 언어 PDF로 볼 수 있습니다. 페이지에 무엇이 남는지는 iSomor는 PDF를 번역할 때 레이아웃을 유지하나요?에서 설명합니다.
자주 묻는 질문
읽을 수 있는 텍스트가 없다고 나오는 이유는 무엇인가요?
선택한 페이지 중 어느 것에도 도구가 읽을 수 있는 텍스트 레이어가 없어서 TXT가 만들어지지 않은 것입니다. 스캔한 페이지나 이미지로 저장된 페이지일 가능성이 큽니다. 추출 도구는 저장된 글자를 읽을 뿐, 이미지 속 글자를 인식하지 않습니다. 가능하면 원본 문서에서 내보낸 PDF를 구하세요.
TXT에 PDF 레이아웃이 남나요?
아니요. 글자는 PDF에 저장된 순서를 따르고, 간단한 줄바꿈만 복원됩니다. 단, 표, 수학 표기는 뒤섞일 수 있어서 위의 확인이 필요합니다.
페이지 번호는 어떻게 입력하나요?
표지를 포함해 파일 맨 앞을 1로 센 위치를 입력합니다. 예를 들어 1-3, 5는 처음 세 페이지와 다섯 번째 페이지입니다. 같은 페이지를 두 번 입력해도 한 번만 추출되며, 입력한 순서대로 배열됩니다.
페이지 사이에 있는 이상한 기호는 뭔가요?
복사한 텍스트와 TXT에서 페이지를 구분하는 페이지 나누기 문자입니다. 편집기에 따라 보이지 않거나 작은 기호, 또는 ^L로 표시됩니다. 페이지 표시로 남겨 둬도 되고 지워도 됩니다.
비밀번호가 걸린 PDF도 텍스트로 변환할 수 있나요?
iSomor PDF 텍스트 추출로는 안 됩니다. 비밀번호로 보호된 PDF나 복사가 허용되지 않은 문서는 열지 않습니다. 처리할 권한이 있는, 보호되지 않은 사본을 사용하세요.