📷 OCR — 이미지 / PDF에서 텍스트
Tesseract 5 + 일본어 학습 모델. 이미지 / PDF 에서 텍스트 추출 (최대 50 MB, PDF 50 페이지).
🔒 개인정보 보호
- ・업로드 파일은 Tesseract 전달 후 즉시 삭제됩니다 (몇 초간 /tmp 에만 존재).
- ・OCR 결과 · 파일명 · 크기 등 어떤 로그도 남기지 않습니다.
- ・1 분당 IP 별 30 요청 제한.
📖 자주 걸리는 지점
Tesseract 5 와 일본어 학습 완료 모델로 이미지(PNG / JPEG / WebP / GIF)나 PDF 에서 텍스트를 추출합니다. 최대 50MB, PDF 는 50 페이지까지, 1 IP 당 30 요청 / 분입니다. 정확도는 모델의 성능이 아니라 입력 이미지의 질로 거의 정해집니다 — 같은 문서라도 300dpi 로 스캔한 것과 비스듬히 찍은 사진은 결과가 전혀 다릅니다. 잘되지 않을 때는 먼저 입력을 의심하세요.
| 사례 | 무슨 일이 일어나는가 | 어떻게 하면 되는가 |
|---|---|---|
| 정확도가 생각보다 낮다 | Tesseract 는 활자 인쇄물에 최적화되어 있습니다. 따라서 손글씨 · 저해상도 · 배경의 무늬 · 그림자 · 기울기 · 접힌 자국이 있으면 급격히 정확도가 떨어집니다. 특히 잘 듣는 것이 해상도로 300dpi 를 밑돌면 인식률이 눈에 띄게 악화됩니다 — 스마트폰으로 찍은 서류는 화면상으로는 읽혀도 글자당 픽셀 수가 부족한 경우가 흔합니다. 기울기도 중요해서 몇 도의 기울기라도 행의 잘라내기에 실패해 여러 행이 섞입니다. 컬러 배경이나 옅은 괘선도 글자로 오인되어 여분의 기호를 낳습니다. | 스캔한다면 300dpi 이상 · 그레이스케일 · 기울기 보정을 반드시 하세요. 사진으로 찍는 경우에는 바로 위에서 · 그림자가 들어가지 않는 위치에서 · 화면 가득 서류를 찍는 것이 기본입니다. 기울어져 있다면 OCR 전에 회전으로 바로잡으세요(이미지 회전) — 이 한 수고만으로 결과가 크게 달라지는 경우가 있습니다. 저해상도 이미지를 확대해도 정확도는 오르지 않습니다 — 존재하지 않는 정보는 늘지 않으므로 다시 찍는 수밖에 없습니다. 그래도 정확도가 부족하다면 대비를 올려 이진화하는 전처리가 잘 듣습니다. 실무상의 판단으로는 5 페이지 시험해 만족스럽지 않으면 50 페이지를 흘려도 결과는 같습니다 — 먼저 입력의 질을 올리세요. |
| 비슷한 문자가 뒤바뀐다 | 모양이 비슷한 문자의 구별은 원리적으로 어려운 문제입니다 — 숫자 1 과 소문자 l 과 대문자 I, 0 과 O, 일본어라면 가타카나와 한자의 비슷한 글자들. 사람은 이것을 문맥으로 읽고 있습니다 — 둘 중 어느 쪽이 옳은지는 의미를 알기에 판단할 수 있는 것이지 자형만으로는 정해지지 않습니다. 특히 위험한 것이 문맥을 갖지 않는 문자열입니다 — 품번 · 시리얼 번호 · 비밀번호 · URL 은 언어 모델에 의한 보정이 듣지 않으므로 오류가 그대로 남습니다. |
언어를 좁히면 오인이 줄어듭니다 — 일본어만의 문서라면 일본어만 을 고르면 영문자와 혼동할 여지가 사라집니다. 반대로 영숫자만의 문서라면 영어만 입니다. 일본어 + 영어는 편리하지만 후보가 늘어나는 만큼 오인도 늘어납니다. 더 잘 듣는 것은 OCR 후의 검증으로 서식을 알고 있는 문자열은 정규식으로 기계적으로 고칠 수 있습니다 — 품번이 영문자 3 자리 + 숫자 4 자리라면 숫자 자리에 나타난 O 는 0 의 오인이라고 확정할 수 있습니다(정규식 테스터). 그리고 금액 · 계좌번호 · 품번처럼 한 글자의 오류가 치명적이 되는 곳은 반드시 사람이 원본과 대조하세요 — OCR 은 입력의 수고를 줄이는 도구이지 확인을 생략하는 도구가 아닙니다. |
| 표나 레이아웃이 무너진다 | Tesseract 가 인식하는 것은 행까지이며 열이나 표의 구조는 복원하지 않습니다. 따라서 표를 읽히면 괘선은 사라지고 셀의 내용만 공백 구분으로 한 행에 늘어섭니다 — 어디부터 어디까지가 하나의 셀이었는지는 출력에서 알 수 없습니다. 2 단 조판 자료도 마찬가지로 왼쪽 단과 오른쪽 단이 행마다 번갈아 섞입니다. 머리말 · 꼬리말 · 쪽번호 · 난외의 주기도 본문과 구별되지 않아 본문 중간에 끼어듭니다. | 표의 추출이 목적이라면 OCR 이 아니라 표 추출 방식을 쓰세요 — Tabula 나 Camelot 은 괘선이나 여백에서 열을 추정합니다. 다만 그것들도 텍스트 레이어를 가진 PDF 가 전제이므로 스캔한 표는 OCR 로 글자를 옮긴 뒤 사람이 표로 다시 짜는 것이 현실적입니다. 다단 자료는 페이지를 좌우로 나눈 뒤 각각 OCR 하면 깔끔하게 얻을 수 있습니다(이미지 트리밍). 애초에 레이아웃을 유지한 채 꺼내고 싶은 경우 OCR 은 적절한 도구가 아닙니다 — 원래 문서의 작성자에게 원본 데이터를 요구하는 것이 가장 확실하고 빠른 방법인 경우가 많습니다. |
이 도구는 이 사이트에서 유일하게 파일을 서버에 전송하는 도구입니다 — 일본어 학습 완료 모델은 브라우저에서 돌리기에는 너무 크기 때문이며 다른 도구와는 전제가 다릅니다. 전송된 파일은 임시 디렉터리에 몇 초만 놓이고 Tesseract 의 처리가 끝난 직후에 삭제됩니다. OCR 결과의 텍스트 · 파일 이름 · 크기 등의 로그도 일절 남기지 않습니다. 그래도 외부에 전송하는 것 자체가 허용되지 않는 장면은 있습니다 — 계약서 · 진료 기록 · 인사 자료 · 미공개 재무 정보 등은 조직의 규정으로 외부 서비스로의 전송이 금지되어 있는 것이 보통입니다. 그런 경우에는 로컬에 tesseract 를 설치해 직접 쓰세요(brew install tesseract tesseract-lang / apt install tesseract-ocr tesseract-ocr-jpn) — 이 페이지와 같은 엔진 · 같은 모델이므로 결과도 동등합니다. 판단의 기준은 그 파일을 메일로 사외에 보내도 되는가 입니다 — 보내면 안 된다면 여기에도 넣지 마세요.
📖 사용법
-
1
파일 선택이미지 또는 PDF 를 드래그 & 드롭 (최대 50 MB).
-
2
언어 선택일본어 + 영어 / 일본어 / 영어 선택.
-
3
실행 → 복사 또는 다운로드"OCR 실행" 클릭. 복사 또는 .txt 다운로드.
❓ 자주 묻는 질문
정확도는?
PDF 페이지 한도?
파일이 저장되나요?
🔗 관련 도구
🐛 이 도구에서 문제가 발생했나요?
무료 · 가입 불필요. 재현 절차만이라도 도움이 됩니다. 보고는 운영자에게 직접 전달되어 개선에 사용됩니다.
보고 감사합니다!
운영자에게 전달되었습니다. 개선에 사용됩니다.