온라인 OCR

광학 문자 인식은 개인용 컴퓨터보다 역사가 깁니다. 1976년 커즈와일 읽기 기계는 시각장애인에게 인쇄된 책을 소리 내어 읽어 주었습니다. 오픈소스 Tesseract 엔진은 1980년대 Hewlett-Packard에서 시작해 2005년 오픈소스로 공개되었고, 2018년 4.0 버전에서 신경망(LSTM) 인식기를 갖추었습니다. 최신 엔진은 텍스트 영역을 찾고, 이어서 줄을 찾은 뒤, 각 줄을 글자 하나하나가 아니라 연속된 시퀀스로 인식합니다. 그래서 예전 소프트웨어보다 좁은 자간과 합자를 더 잘 처리합니다.

결과물은 텍스트와 그 위치 정보입니다. 글자를 어딘가에 붙여 넣으려면 일반 텍스트 (.txt)를, 레이아웃을 유지한 채 편집하려면 Word (.docx)를, 스캔 모양을 그대로 둬야 하면 검색 가능 PDF를, 메모와 문서 작성용이라면 Markdown을 고르세요. 학생은 기출문제와 인쇄물에, 사무실은 청구서와 서신에, 개발자는 오류 메시지 스크린샷에 이 도구를 씁니다.

OCR은 글자를 인식할 뿐 의미를 이해하지 않습니다. 어떤 줄이 제목인지 캡션인지 확신하지 못하고, 도장 밑에 가려진 글자는 읽지 못하며, 잘못 읽은 숫자가 말이 되는지도 알지 못합니다. 차트, 도표, 사진은 설명해 주지 않고 그 안에 인쇄된 글자만 읽습니다. 수식은 방정식이 아니라 평범한 문자로 나옵니다.

번역기도 아닙니다. 결과는 원문의 언어 그대로입니다. 이미 실제 텍스트가 들어 있는 문서라면 OCR은 맞지 않는 도구입니다. PDF 텍스트 추출이 기존 텍스트를 더 빠르고 오류 없이 읽어 냅니다. PDF로 남겨야 하는 스캔본은 PDF OCR을, 사진에서 워드 파일을 얻으려면 이미지 워드 변환을 이용하세요.