OCR PDF 텍스트 추출기

스캐너나 스마트폰 앱을 사용해 종이 계약서를 스캔하면 생성된 PDF는 본질적으로 사진 파일입니다. 컴퓨터는 페이지의 잉크가 글자를 나타낸다는 것을 알지 못하며 단지 색상 픽셀의 격자로 인식합니다. 따라서 이 문서 내에서는 텍스트를 드래그하거나 복사 및 검색할 수 없습니다.

광학 문자 인식(OCR)은 이 문제를 해결합니다. OCR 알고리즘은 이미지를 스캔하고 잉크와 종이 사이의 명암 대비를 감지한 후 신경망을 활용해 문자 패턴('P'의 고리나 'T'의 가로선 등)을 인식합니다. 이후 이미지 위에 디지털 텍스트 레이어를 생성합니다.

기존에는 OCR 신경망을 실행하려면 방대한 서버 처리 능력이 필요했습니다. 문서를 검색 가능하게 만들려면 Google Vision API나 Adobe Cloud 같은 클라우드 제공업체에 업로드해야 했습니다.

이는 HIPAA나 GDPR과 같은 엄격한 규정을 준수해야 하는 변호사, 의사, 재무 분석가에게 치명적인 위험 요소입니다. 암호화되지 않은 개인식별정보(PII)를 제3자 OCR API에 전달하는 것은 규정 위반이 될 수 있습니다.

Utiliome은 다르게 작동합니다. 유명한 오픈 소스 OCR 엔진의 WebAssembly 버전인 Tesseract.js를 활용합니다. 신경망 모델이 브라우저에 직접 다운로드되어 문서가 로컬 CPU에서만 분석되므로 스캔본이 인터넷으로 전송되지 않습니다.

최신 머신러닝 성능은 매우 뛰어난 편이지만 흐릿한 영수증, 픽셀이 깨진 스마트폰 사진, 구겨진 종이 등은 인식에 어려움을 겪을 수 있습니다.

Utiliome에서 텍스트 추출 정확도를 극대화하는 방법은 다음과 같습니다.

• 해상도: 원본 이미지가 최소 300 DPI 이상인지 확인하세요. 텍스트가 심하게 깨져 있으면 AI가 다른 글자로 잘못 인식할 수 있습니다(예: 'rn'을 'm'으로 오인).
• 명암 대비: 선명한 흰색 배경에 검은색 텍스트가 가장 잘 인식됩니다. 그림자나 오염은 신경망 오작동을 유발할 수 있습니다.
• 정렬: 텍스트 기울어져 있으면 엔진이 줄바꿈을 잘못 해석할 수 있습니다. 수평이 바르게 맞춰진 스캔본을 업로드하세요.

알지 못하는 언어로 작성된 스캔 PDF를 받은 경우 Google 번역 등에 텍스트를 직접 복사해 넣기 어렵습니다. Utiliome의 OCR 엔진은 수십 가지 언어팩을 지원합니다.

도구에서 올바른 언어를 선택하면 엔진이 해당 언어 전용 신경망 가중치(예: 키릴 문자 또는 한자 인식)를 다운로드합니다. 추출된 텍스트를 즉시 복사하여 선호하는 번역 API에 붙여넣을 수 있습니다.

50페이지 분량의 스캔 교재를 일반적인 온라인 OCR 도구에 넣으면 즉시 결제창이 나타납니다. 서버 기반 OCR은 연산량이 많아 클라우드 인프라에서 신경망을 돌리는 데 지속적인 비용이 발생합니다.

Utiliome의 서버리스 아키텍처는 이러한 경제적 한계를 완벽히 해결합니다. 연산 과정을 사용자의 기기로 분산 처리하므로 1페이지 영수증이든 100페이지 법률 문서든 1일 제한 없이 완전히 무료로 처리할 수 있습니다.

Utiliome의 텍스트 추출 기술 핵심에는 Tesseract가 있습니다. 1980년대 첫 개발 이후 세계에서 가장 정확한 OCR 시스템 중 하나로 발전해 왔으며 최신 버전에는 고성능 LSTM(Long Short-Term Memory) 신경망이 적용되었습니다.

C++ 기반의 Tesseract 코드베이스를 WebAssembly(Wasm)로 컴파일하여 Chrome이나 Safari 탭 내부에서 네이티브에 가까운 속도로 동작하게 만들었습니다. 이는 탈중앙화되고 개인정보를 보호하는 웹 애플리케이션의 큰 발전입니다.