PDF 텍스트 추출
PDF에서 글자만 남깁니다. 글꼴도, 이미지도, 레이아웃도 없이 검색하고, 붙여 넣고, 비교하고, 스크립트에 넣거나 번역 도구에 올릴 수 있는 .txt 파일 하나만 만듭니다. 스캔한 페이지는 먼저 OCR로 읽습니다.
PDF 변환
또는 PDF 파일을 여기에 끌어다 놓으세요 ·
파일당 최대 95 MB· 최대 20개 파일· 30분 뒤 삭제
파일은 UltKit 서버에서 처리되며 30분 뒤 삭제됩니다.
스캔한 PDF는 페이지를 찍은 그림입니다. 자동은 텍스트 레이어가 없는 페이지에만 OCR을 실행하고, 항상은 모든 페이지에 실행합니다.
스캔본에 인쇄된 언어입니다. 올바르게 고르면 악센트 문자와 비라틴 문자의 인식 정확도가 눈에 띄게 좋아집니다.
흐르는 텍스트는 편집하기 쉬운 일반 문단으로 다시 배치합니다. 원본 레이아웃은 모든 블록을 원래 위치에 두어 똑같이 보이지만 편집하기는 더 어렵습니다.
감지된 표를 통합 문서의 어느 시트에 넣을지 정합니다.
쉼표로 구분한 페이지 번호나 범위입니다(예: 1-3, 5, 8-10).
사용 방법
- 1
PDF 넣기
PDF를 하나만 올리거나, 파일당 95 MB 이하로 최대 20개까지 한꺼번에 올립니다. 입력된 페이지와 스캔한 페이지가 섞인 파일은 페이지별로 처리합니다.
- 2
필요하면 범위 좁히기
변환할 형식에는 일반 텍스트가 이미 선택되어 있습니다. 필요한 장이나 부록만 추출하려면 고급 설정의 변환할 페이지를 사용하십시오.
- 3
.txt 다운로드
일반 텍스트로 변환을 누르십시오. 파일은 UTF-8로 인코딩되어 있어 악센트 문자와 한글 같은 비라틴 문자가 최신 편집기 어디에서나 제대로 표시됩니다.
PDF에서 텍스트를 가장 깔끔하게 꺼내는 방법은 무엇인가요?
일반 .txt 파일로 변환하는 것입니다. 모든 글자가 읽는 순서대로 담기고 단락은 빈 줄로 구분될 뿐 다른 것은 없어, 어떤 편집기나 프로그램에서도 바로 쓸 수 있습니다.
PDF 텍스트 추출이 남기는 것과 버리는 것
변환기는 각 페이지를 읽는 순서대로, 위에서 아래로, 단별로 훑으면서 찾은 글자를 기록합니다. 한 단락에 속한 줄은 이어 붙이고, 단락 사이는 빈 줄로 구분합니다. 각 페이지의 텍스트는 앞 페이지 뒤에 이어지므로 한 장(章)이 하나의 연속된 글로 읽힙니다.
시각적인 요소는 모두 버립니다. 글꼴, 크기, 색상, 이미지, 차트, 페이지 위 텍스트의 위치가 그렇습니다. 그것이 목적입니다. 사진이 가득한 10 MB 보고서도 보통 수백 KB 정도의 텍스트 파일로 줄어들어 검색하거나, diff 도구로 버전끼리 비교하거나, 번역·분석 도구에 붙여 넣기가 훨씬 쉬워집니다.
명령줄을 쓰는 분이라면 Poppler와 Xpdf 프로젝트의 pdftotext를 알 것입니다. 디지털 PDF에서는 비슷한 일을 합니다. 여기서 다른 점은 OCR입니다. 텍스트 레이어가 없는 페이지도 빈칸으로 나오지 않고 선택한 언어로 인식됩니다. PDF가 아닌 그림 파일이라면 이미지 텍스트 추출을 사용하십시오.
일반 텍스트, 마크다운, 워드 중 알맞은 출력 고르기
일반 텍스트
UTF-8로 된 글자만.
- 가장 작은 용량
- 무엇으로든 열림
- 제목·서식 없음
마크다운
가벼운 마크업이 들어간 텍스트.
- 제목을 #으로 표시
- 목록과 굵게 유지
- 여전히 텍스트 파일
워드 문서
편집 가능한 전체 레이아웃.
- 표와 이미지 유지
- 스타일 보존
- 워드프로세서 필요
텍스트 파일 용량이 이렇게 작은 이유
1바이트UTF-8 텍스트 파일에서 영문자, 숫자, 공백 하나당
PDF 문서(Portable Document Format)
PDF는 1993년 Adobe가 만들었고 2008년 개방형 표준 ISO 32000이 되었습니다. 텍스트, 글꼴, 이미지, 레이아웃을 고정해 어떤 화면과 프린터에서도 문서가 똑같이 보입니다. PDF에는 양식, 서명, 링크, 첨부 파일, 검색 가능한 텍스트를 넣을 수 있고, PDF/A 변형은 장기 보관에 쓰입니다. 레이아웃이 고정되어 있어 편집하기 어렵고, 스캔한 PDF는 OCR을 적용하지 않으면 이미지만 들어 있습니다. 모든 브라우저와 운영 체제에서 열 수 있습니다.
- 압축 방식
- –
- 투명도
- 예
- 애니메이션
- 아니요
- 도입 연도
- 1993 · Adobe
TXT
일반 텍스트(TXT)
TXT 파일에는 서식, 글꼴, 이미지, 레이아웃 없이 문자만 들어 있습니다. 요즘 텍스트 파일은 대개 모든 언어를 지원하는 UTF-8로 인코딩되지만, 오래된 파일은 다른 인코딩을 써서 글자가 깨져 보일 수 있습니다. 일반 텍스트는 용량이 아주 작고, 낡아서 못 쓰게 될 일이 없으며, 휴대폰부터 서버까지 모든 기기에서 열립니다. 굵은 글씨, 표, 그림은 넣을 수 없으므로 구조는 공백이나 간단한 마크업으로 나타내야 합니다.
- 압축 방식
- –
- 투명도
- –
- 애니메이션
- –
- 도입 연도
- –
PDF에서 일반 텍스트를 꺼내는 것은 글자만 있으면 되는 경우입니다. 검색, 인용, 번역, 데이터 정리, 다른 프로그램에 넣기처럼 레이아웃이 오히려 방해가 될 때입니다.
PDF 텍스트 추출 자주 묻는 질문
PDF에서 텍스트를 그냥 복사해 붙여 넣으면 안 되나요?
한두 단락이라면 가능합니다. 하지만 PDF 뷰어에서 복사하면 줄 끝에서 단어가 끊기거나, 단이 뒤섞이거나, 문장 중간에 페이지 머리글이 끼어드는 일이 잦고, 스캔한 페이지에서는 아무것도 복사되지 않습니다. 추출은 파일 전체를 읽는 순서대로 읽고, 텍스트 레이어가 없는 곳에는 OCR을 실행합니다.
텍스트 파일의 인코딩은 무엇인가요?
웹과 대부분의 소프트웨어가 기본으로 쓰는 UTF-8입니다. Windows 메모장은 Windows 10 버전 1903부터 새 파일을 기본적으로 UTF-8로 저장하며, macOS TextEdit, VS Code, 모든 브라우저가 따로 묻지 않고 읽습니다. 오래된 프로그램에서 글자가 깨져 보이면 UTF-8을 고를 수 있는 가져오기 옵션을 찾아보십시오.
이 페이지와 PDF TXT 변환 도구는 같은 것인가요?
결과물은 .txt 파일로 똑같습니다. 이 페이지는 텍스트를 꺼내 다시 쓰는 데 초점을 두고, PDF TXT 변환은 사람들이 파일 확장자 이름으로도 검색하기 때문에 마련한 같은 변환입니다.
표는 어떻게 되나요?
표의 셀은 읽는 순서대로 탭으로 구분되어 기록되므로 스프레드시트에 붙여 넣어도 꽤 잘 들어갑니다. 표 때문에 변환하는 것이라면 PDF 엑셀 변환이 행과 열을 실제 셀에 그대로 담아 줍니다.
제목을 표시한 상태로 텍스트를 받을 수 있나요?
일반 텍스트에는 제목을 표시할 방법이 없습니다. 텍스트 파일이면서 제목, 목록, 굵은 글씨를 간단한 기호로 표시하고 싶다면 변환할 형식에서 Markdown을 고르십시오.
스캔본 텍스트 추출이 손글씨에도 되나요?
OCR은 인쇄된 글자를 위해 만들어졌습니다. 또박또박 쓴 인쇄체 대문자는 읽히는 경우가 많지만 흘려 쓴 필기체는 믿을 수 없습니다. 300 dpi로 스캔한 타자·인쇄 문서가 가장 좋은 결과를 냅니다.
