OCR 텍스트 인식 — 이미지와 PDF

깨끗한 인쇄 텍스트는 거의 오류 없이 인식되지만, 휴대폰 사진과 바랜 스캔은 더 어렵습니다. 엔진이 옆으로 돌아간 사진을 바로 세우고 각 줄을 기울기에 맞춘 틀로 읽으며, 신뢰도가 낮은 단어는 강조 표시되어 내보내기 전에 수정할 수 있습니다.

한국어, 영어와 그 밖의 라틴·키릴 문자 언어, 중국어, 일본어, 아랍어, 그리스어, 힌디어, 태국어는 신경망 엔진이 읽고, 히브리어, 조지아어, 베트남어, 벵골어 등 약 100개 언어는 Tesseract가 인식합니다. 목록에서 문자별로 그룹화되어 있으며, 모델은 처음 사용할 때 내려받아 브라우저 캐시에 보관됩니다.

네. 다페이지 PDF는 pdf.js를 통해 페이지별로 렌더링 후 OCR을 거칩니다. 결과를 보이지 않는 텍스트 레이어가 있는 검색 가능한 PDF로 다시 내보낼 수도 있어 Ctrl+F가 작동하고 스크린 리더도 읽을 수 있습니다.

일반 모드는 인쇄 텍스트에 맞춰져 있습니다. 글자가 떨어진 또박또박한 손글씨는 자주 읽지만 필기체는 읽지 못합니다. 손글씨에는 “더 정밀하게 인식”이 있습니다. 페이지를 인식 서버로 보내 손글씨용 모델이 읽습니다. 학교 공책 페이지에서 단어 10개 중 거의 9개를 정확히 읽었고, 일반 모드는 10개 중 1개 미만이었습니다.

OCR 후 인식된 단어를 수직 위치로 행에 그룹화하고 수평 간격에 따라 행을 열로 나눕니다. 최소 3개 행이 같은 열 수를 공유하면 표로 간주하여 Excel에 행과 열로 내보냅니다; 그렇지 않으면 Excel 파일은 단일 열 텍스트입니다.

대기열에는 최대 50개 파일을 넣을 수 있습니다. 하루에 인식되는 파일 수와 PDF 한 번에 처리되는 페이지 수는 '텍스트 추출' 버튼 위 상자에 표시됩니다. 파일당 크기 한도는 기기에 맞춰 조정되며(휴대폰 약 80 MB, 데스크톱 최대 1 GB), PDF는 페이지 단위로 처리되고 큰 문서는 페이지 범위를 선택할 수 있습니다.