스캔한 논문 PDF에서 검색·복사가 안 될 때: OCR 처리와 인용 오류 점검 순서
오래된 학술지나 학위논문을 PDF로 받았는데 검색창에 논문 속 단어를 입력해도 결과가 나오지 않을 때가 있다. 화면에는 글자가 선명하게 보이지만 문장을 드래그할 수 없고, 복사를 시도하면 페이지 전체가 이미지처럼 선택되기도 한다. 이런 파일을 그대로 참고문헌 관리 도구나 AI 분석 도구에 넣으면 본문이 누락되거나 엉뚱한 순서로 추출될 수 있다.
해결 과정의 핵심은 단순히 ‘복사되는 PDF’를 만드는 데 있지 않다. 원본 파일을 보존하고 별도 사본에 광학 문자 인식, 즉 OCR을 적용한 다음, 연구에 사용할 제목·저자·연도·페이지·인용문·수치를 페이지 이미지와 대조해야 한다. 원문의 배치와 페이지 위치가 중요한 논문이라면 편집 가능한 문서보다 페이지 이미지 위나 아래에 검색용 텍스트를 결합한 PDF가 안전한 출발점이다. OCR 결과는 검색과 탐색을 돕는 보조 자료이며, 원문을 대신하는 확정 기록으로 간주해서는 안 된다.
먼저 PDF가 정말 이미지 전용인지 확인한다
검색이 되지 않는다고 해서 곧바로 OCR을 다시 실행하면 안 된다. 파일이 이미지 전용일 수도 있지만, 이미 부정확한 OCR 텍스트가 들어 있거나 복사 권한이 제한됐거나 글꼴의 문자 매핑이 깨졌을 수도 있기 때문이다. Adobe도 스캔된 페이지가 이미지 데이터만 포함할 수 있다고 설명하는 한편, 보안 설정이 편집과 텍스트 추출을 제한할 수 있다고 안내한다. 자세한 조건은 Adobe의 스캔 PDF 텍스트 인식 안내에서 확인할 수 있다.
- 고유한 문구를 검색한다. 제목이나 흔한 단어보다 본문에만 나올 법한 5~10자 문구를 사용한다. 일부 페이지만 검색된다면 디지털 페이지와 스캔 페이지가 섞인 혼합형 PDF일 수 있다.
- 본문 한 줄을 드래그한다. 글자 단위로 선택되는지, 사각형 이미지가 선택되는지 확인한다.
- 선택한 내용을 일반 텍스트 편집기에 붙여 넣는다. 화면에는 정상으로 보여도 붙여 넣은 글자가 깨지거나 순서가 뒤바뀔 수 있다.
- PDF 문서 속성과 보안 설정을 확인한다. 글꼴이나 태그 정보가 있는지 살펴보고, 복사 또는 추출 제한이 표시된다면 권한 문제와 OCR 문제를 구분한다. 암호나 이용 제한을 임의로 우회하지 말고 허용된 판본을 확보한다.
글자 선택과 검색이 모두 불가능하고 페이지가 하나의 그림처럼 움직인다면 이미지 전용일 가능성이 높다. 반대로 검색은 되지만 결과가 잘못 나오면 기존의 숨은 텍스트 레이어가 부정확한 상태일 수 있다. OCRmyPDF도 기존 텍스트나 숨은 OCR 레이어가 있는 페이지를 무조건 다시 처리하지 않도록 구분하며, 건너뛰기와 기존 OCR 교체를 별도 작업으로 설명한다. 이는 특정 도구를 사용하지 않더라도 적용할 수 있는 진단 원칙이다. 관련 내용은 OCRmyPDF 공식 오류 안내에서 확인할 수 있다.
원본을 복제하고 대표 페이지만 먼저 처리한다
OCR을 시작하기 전 원본 파일을 읽기 전용 보관본으로 복제한다. Adobe의 공식 안내도 편집 전에 원본 스캔 PDF의 백업본을 저장하고, 처리 후 텍스트의 정확성과 완전성을 검토하도록 권고한다. 수백 페이지 전체를 곧바로 변환하기보다 다음과 같은 대표 페이지를 골라 먼저 인식하는 편이 효율적이다.
- 제목·저자·초록이 있는 첫 페이지
- 일반적인 본문 한 페이지
- 각주와 참고문헌이 많은 페이지
- 표·수식·도표가 포함된 페이지
- 한자, 세로쓰기, 옛글자 또는 흐린 인쇄가 있는 페이지
이 표본에서 본문과 핵심 숫자가 충분히 인식되는지 확인한 뒤 전체 문서로 확장한다. 대표 페이지에서 실패하는 설정을 수백 페이지에 적용하면 오류를 찾고 되돌리는 비용만 커진다.
OCR보다 먼저 페이지 이미지를 고친다
인식 엔진을 바꾸기 전에 입력 이미지 상태를 확인해야 한다. Tesseract의 공식 품질 개선 문서는 해상도, 기울기, 불균일한 배경, 잡음, 문자 굵기와 페이지 경계가 인식 결과에 영향을 준다고 설명한다. 특히 기울어진 줄은 행 분할을 방해하며, 스캔 가장자리의 검은 띠는 글자로 오인될 수 있다.
- 방향을 맞춘다. 90도 또는 180도 돌아간 페이지와 세로쓰기 페이지를 구분한다.
- 기울기를 보정한다. 본문 줄이 수평이 되도록 조정하되 글자 가장자리가 흐려질 정도로 반복 변환하지 않는다.
- 그림자와 검은 테두리를 줄인다. 제본부 그림자와 스캐너 가장자리의 띠가 본문 영역에 닿지 않게 한다.
- 잘린 문자를 확인한다. 여백을 과도하게 자르면 각주 번호, 페이지 번호, 문장 첫 글자가 사라질 수 있다.
- 대비와 해상도를 점검한다. Tesseract 문서는 300dpi 이상의 입력이 유리할 수 있다고 안내하지만, 숫자 하나만으로 품질을 보장할 수는 없다. 이미 저해상도로 저장된 글자를 단순 확대해도 사라진 획이 복원되지는 않는다.
상용 GUI 도구도 비슷한 전처리 기능을 제공한다. 예를 들어 Windows용 FineReader PDF 16 도움말은 마주 보는 페이지 분리, 페이지 방향 보정, 전처리와 선택 페이지만 인식하는 방식을 설명한다. 다만 한국어·중국어·일본어가 포함된 자료를 무조건 흑백으로 변환하는 것은 권장하지 않는다고 명시하므로, 색이 획 구분이나 주석 판독에 도움이 되는 문서는 원본 색상 사본을 유지해야 한다. 적용 범위는 ABBYY FineReader PDF 16 이미지 처리 안내를 참고할 수 있다.
한국어·영어·한자가 섞였다면 언어를 좁혀 선택한다
OCR 언어는 맞춤법 검사 옵션이 아니라 어떤 글자와 단어 패턴을 예상할지 정하는 인식 조건이다. 한국어 논문이라도 제목과 참고문헌에는 영어가 많고, 오래된 인문사회과학 자료에는 한자가 섞일 수 있다. 본문에 실제로 등장하는 언어만 선택하고, 대표 페이지를 이용해 단일 언어와 복수 언어 설정을 비교하는 것이 좋다.
Tesseract 공식 언어 자료에는 한국어, 영어, 중국어 간체·번체와 한국어 세로쓰기용 데이터가 구분돼 있다. 설치된 엔진에 해당 학습 데이터가 실제로 포함되어 있어야 하며, 목록에 언어가 있다는 사실이 옛 활자나 이체자까지 정확히 읽는다는 뜻은 아니다. 현재 지원 목록은 Tesseract 언어·문자 체계 문서에서 확인할 수 있다.
- 현대 한국어 본문과 영문 초록이 중심이면 한국어와 영어를 우선 시험한다.
- 한자가 일부 인용문에만 나오면 해당 페이지만 별도로 인식하거나 직접 교정한다.
- 세로쓰기와 가로쓰기가 섞이면 전체 문서에 같은 방향 설정을 강제하지 않는다.
- 옛한글, 이체자, 손글씨, 번진 활자는 자동 결과를 확정 텍스트로 사용하지 않는다.
인용 목적이라면 검색 가능한 PDF를 우선한다
OCR의 출력은 크게 검색 가능한 PDF와 편집 가능한 문서로 나눌 수 있다. 검색 가능한 PDF는 페이지 이미지를 유지하면서 보이지 않는 텍스트 레이어를 결합할 수 있어 원문의 줄 배치와 페이지를 대조하기 쉽다. Tesseract 역시 이미지와 별도의 검색용 텍스트 레이어를 포함한 PDF 출력을 지원한다고 공식 명령행 문서에서 설명한다.
편집 가능한 워드프로세서 문서는 문장을 재사용하거나 본문을 교정할 때 편리하지만 다단 편집, 각주, 표, 머리글이 재배치될 수 있다. 직접 인용과 페이지 표기가 필요한 연구라면 검색 가능한 PDF를 기준본으로 만들고, 추출 텍스트나 편집 문서는 분석용 파생 파일로 분리하는 편이 낫다. FineReader PDF 16도 검색 가능한 PDF와 이미지 전용 PDF를 별도 저장 형식으로 구분한다. 세부 옵션은 ABBYY의 PDF 저장 안내에서 확인할 수 있다.
도구는 정확도 순위보다 작업 조건으로 고른다
| 판단 조건 | GUI 기반 PDF·OCR 도구 | Tesseract 기반 도구 |
|---|---|---|
| 적합한 작업 | 페이지를 보면서 회전, 영역, 표와 인식 결과를 수동 교정해야 할 때 | 반복 명령, 로컬 일괄 처리, 처리 기록을 스크립트로 남겨야 할 때 |
| 진입 장벽 | 화면에서 옵션을 선택할 수 있어 상대적으로 낮음 | 설치, 언어 데이터, 명령행과 PDF 결합 절차를 이해해야 함 |
| 주요 확인 사항 | 제품 버전, 운영체제, 구독·라이선스, 일괄 처리와 읽기 순서 기능의 제공 범위 | 엔진 버전, 학습 데이터, 페이지 분할 설정, 결과 PDF를 만드는 주변 도구 |
| 공통 한계 | 낮은 화질, 복잡한 표, 수식, 옛 활자와 잘못된 읽기 순서는 사람의 검토가 필요함 | 낮은 화질, 복잡한 표, 수식, 옛 활자와 잘못된 읽기 순서는 사람의 검토가 필요함 |
Acrobat이나 FineReader 같은 GUI 제품은 영역을 눈으로 수정해야 하는 소량·중간 규모 작업에 적합하다. Tesseract는 Apache 2.0 라이선스의 오픈소스 OCR 엔진이지만, PDF 페이지 처리와 교정 화면까지 모두 제공하는 완성형 데스크톱 편집기는 아니다. 대량 자료를 처리할 때는 Tesseract를 직접 호출하거나 OCRmyPDF 같은 별도 워크플로를 결합할 수 있지만, 명령과 버전 정보를 기록해야 결과를 재현하기 쉽다.
오류는 숫자와 문서 구조에 집중된다
본문 문장이 그럴듯하게 읽힌다는 이유로 OCR 전체를 신뢰해서는 안 된다. 연구 결과를 바꾸는 오류는 짧고 눈에 잘 띄지 않는 요소에 집중된다. Tesseract 공식 문서도 별도의 레이아웃 분석 없이 표의 데이터와 구조를 인식하는 데 문제가 있을 수 있다고 밝힌다.
- 숫자와 통계: 0과 O, 1과 l, 소수점, 쉼표, 백분율, 음수 부호, 범위 표시를 확인한다.
- 수식: 위첨자·아래첨자, 그리스 문자, 분수선, 괄호와 연산 기호를 원본과 대조한다.
- 각주: 본문 번호가 일반 숫자로 합쳐지거나 각주가 다음 단의 본문 사이에 끼어들 수 있다.
- 다단 본문: 왼쪽 단에서 오른쪽 단으로 넘어가지 않고 같은 높이의 문장이 서로 연결될 수 있다.
- 참고문헌: 저자명 철자, 발행연도, 권·호, 페이지 범위와 문헌 구분이 훼손되기 쉽다.
- 표: 셀의 행과 열 관계가 사라져 숫자 자체는 맞아도 어떤 변수의 값인지 알 수 없게 된다.
연구에 쓰기 전 최소 검증 순서
- 서지정보: 논문 제목, 저자, 학술지·학위수여기관, 발행연도, 권·호를 첫 페이지 이미지와 대조한다.
- 페이지 대응: PDF 화면의 페이지 번호와 인쇄된 원문 페이지 번호가 다른지 기록한다.
- 직접 인용문: 복사한 문장을 원본 이미지에서 다시 읽고, 문장부호와 각주 표지를 확인한다.
- 핵심 수치: 표본 수, 계수, 유의확률, 단위, 음수 부호와 소수 자릿수를 확대 화면에서 확인한다.
- 표와 수식: OCR 텍스트만으로 재구성하지 말고 필요한 범위를 직접 전사한 뒤 두 번째 대조를 한다.
- 참고문헌: 가능한 경우 DOI, 학술지 서지정보 또는 도서관 레코드와 교차 확인한다.
직접 인용문의 근거는 OCR 텍스트가 아니라 원본 페이지 이미지다. 교정한 문장도 원문을 현대 표기로 임의 변경하지 말고, 판독이 불확실한 글자는 메모에 불확실성을 남긴다. 인용문을 논문에 넣을 때는 OCR 사본의 파일 페이지가 아니라 출판물에 인쇄된 페이지 번호를 우선 확인한다.
AI에 넣기 전에는 읽기 순서와 중복을 검사한다
검색 가능한 PDF가 됐다고 해서 AI나 텍스트 분석 프로그램이 본문을 올바른 순서로 읽는 것은 아니다. PDF의 화면 배치와 기계가 읽는 순서는 서로 다를 수 있다. Adobe는 문서 구조 태그가 제목·문단·표 등의 관계와 읽기 순서를 정의하며, 태그가 없거나 잘못되면 항목이 잘못된 순서로 읽히거나 누락될 수 있다고 설명한다. Adobe PDF 접근성 문서와 읽기 순서 도구 안내에서 이 구조를 확인할 수 있다.
AI에 업로드하기 전 2~3쪽을 일반 텍스트로 추출해 다음 항목을 살핀다. 두 단이 한 줄씩 교차하지 않는지, 머리글과 페이지 번호가 문장 중간에 반복되지 않는지, 각주가 본문 위치를 끊지 않는지, 같은 문장이 두 번 추출되지 않는지 확인한다. 기존 텍스트 레이어 위에 OCR을 다시 겹치면 검색 결과나 추출문이 중복될 수 있으므로 기존 레이어를 진단한 뒤 건너뛰거나 교체해야 한다.
접근 가능한 PDF를 만들어야 한다면 텍스트 검색만으로 작업을 끝내서는 안 된다. 화면 읽기 순서, 표 구조, 문서 언어와 태그를 별도로 점검해야 한다. 또한 저작권이 있는 논문이나 개인정보·미공개 연구자료를 외부 AI 서비스에 업로드하기 전에는 기관 규정과 서비스의 데이터 처리 조건을 확인한다.
인식이 계속 실패할 때의 대안
- 원본 종이에 접근할 수 있다면 더 높은 품질로 다시 스캔하되 제본부를 누르거나 문자를 자르지 않는다.
- 전체 문서를 반복 처리하지 말고 오류가 있는 페이지만 방향·언어·영역 설정을 바꿔 재인식한다.
- 표, 수식, 짧은 한자 인용문은 직접 전사하고 다른 연구자가 원본과 대조하게 한다.
- 출판사, 대학 저장소, 국립·기관 도서관에서 검색 가능한 다른 판본이 제공되는지 확인한다.
- 판독 불가능한 부분은 추측으로 채우지 말고 불명확 표시와 페이지 위치를 기록한다.
원본·OCR 사본·교정본을 분리해 보관한다
파일 이름만 보고 처리 단계를 알 수 있어야 원본을 덮어쓰는 실수를 줄일 수 있다. 저자명과 제목을 길게 반복하기보다 문서 식별자, 작업 단계, 날짜 또는 버전을 일관되게 넣는다.
kim-1987-original-scan.pdf
kim-1987-ocr-kor-eng-v01.pdf
kim-1987-ocr-corrected-v02.pdf
kim-1987-corrections-v02.txt교정 기록에는 페이지, 잘못 인식된 문자열, 수정 내용과 확인 근거를 적는다. OCR 엔진과 버전, 선택 언어, 처리한 페이지 범위, 회전·기울기 보정 여부도 남기면 나중에 다른 설정으로 재처리할 때 차이를 설명할 수 있다.
최종 판단
스캔 PDF 글자 인식의 완료 기준은 본문이 복사되는지가 아니다. 원본 이미지와 페이지 위치가 유지되고, 검색과 탐색이 가능하며, 연구에 사용할 서지정보·직접 인용문·핵심 수치가 원본과 일치해야 한다. 일반 본문 검색에는 자동 OCR이 충분히 유용할 수 있지만, 표·수식·각주·한자·옛 활자와 통계 수치는 사람이 다시 확인해야 한다.
실무에서는 원본 보존, 대표 페이지 시험, 이미지 전처리, 언어 설정, 검색 가능한 PDF 생성, 고위험 요소 검증, AI 입력 전 읽기 순서 확인의 순서로 진행하면 된다. 이 절차를 통과하지 못한 파일은 검색 보조본으로만 사용하고 직접 인용이나 정량 분석의 확정 자료로 사용하지 않는 편이 안전하다.
검증이 더 필요한 부분
- 사용 중인 Acrobat 에디션·운영체제·기관 라이선스에서 OCR 일괄 처리, 교정, 읽기 순서 기능이 제공되는지 확인해야 한다.
- ABBYY 제품의 현재 판매 버전, 한국어·한자 인식 언어, macOS와 Windows 간 기능 차이는 구매 또는 발행 직전에 확인해야 한다.
- 설치된 Tesseract 버전과 한국어·영어·세로쓰기 학습 데이터, PDF 생성 도구의 호환성을 실제 환경에서 확인해야 한다.
- 대상 논문의 옛한글·이체자·다단 편집·표·수식이 선택한 설정에서 어느 정도 인식되는지는 대표 페이지로 확인해야 한다.
- 외부 AI 또는 클라우드 OCR에 파일을 업로드할 수 있는지는 저작권, 개인정보, 기관 보안 규정과 서비스 약관을 확인해야 한다.
출처 및 확인일
이 글은 Adobe Acrobat 공식 도움말, Tesseract 공식 문서, ABBYY FineReader 공식 도움말과 OCRmyPDF 공식 문서를 바탕으로 작성했다. 기능 설명과 문서 상태는 2026년 9월 26일에 확인했다. 제품 화면, 메뉴 이름, 지원 운영체제와 라이선스 범위는 이후 변경될 수 있다.
