스캔한 PDF에 OCR을 적용해 검색 가능하게 만드는 방법
스캔한 PDF는 텍스트가 아니라 이미지입니다. 그 내용을 검색하거나 선택하거나 복사할 수 없습니다. 이 가이드는 pdfmcp의 두 가지 로컬 방법, 즉 검색 가능한 PDF로의 OCR과 일반 텍스트로의 OCR을 모두 사용자의 기기에서, 정말 중요한 설정과 함께 보여줍니다.
스캔한 PDF에 텍스트가 없는 이유
스캐너는 각 페이지의 사진을 저장합니다. 단어는 문자가 아니라 이미지 안의 픽셀이므로 검색은 아무것도 찾지 못하고, 텍스트 선택은 아무것도 선택하지 못하며, 복사할 것이 없습니다. OCR(광학 문자 인식)이 이를 해결합니다. 각 페이지의 이미지를 읽고 픽셀이 어떤 문자를 이루는지 추론합니다.
pdfmcp는 이를 위해 Tesseract를 사용합니다. OCR 작업은 두 가지이며 각각 다른 필요에 답합니다. ocr_pdf는 겉모습은 같지만 보이지 않는 텍스트 레이어가 있는 PDF를 돌려주어 문서 자체를 검색하고 선택할 수 있게 합니다. ocr_to_text는 단어만 일반 텍스트로 돌려줍니다. 둘 다 로컬로 실행됩니다.
방법 선택: 검색 가능한 PDF인가, 텍스트만인가
문서가 문서로 남아야 할 때 ocr_pdf를 선택하세요. 다른 사람이 열고, 참조하고, 인용할 계약서, 보고서, 보관 자료 등입니다. 깔끔한 검색 가능한 PDF를 만들려면 무거운 기계장치가 필요하므로 pdfmcp 패키지로 로컬로 실행됩니다. 이미 텍스트 레이어가 있는 페이지는 변경 없이 통과하며 건너뛰었다고 보고되므로, 혼합 문서에서 실행해도 안전합니다.
단어만 필요할 때 ocr_to_text를 선택하세요. 메모에 붙여넣거나, 스크립트에 넘기거나, 스캔 내용을 읽기 위해서입니다. 웹사이트에서는 사용자의 기기, 브라우저에서 실행되며 파일이 업로드되는 일은 없습니다. 기기의 웹 버전에는 영어만 포함되어 있습니다. 로컬 패키지의 같은 작업에서는 언어를 구성할 수 있습니다.
검색 가능한 PDF 만들기, 단계별
1) pdfmcp 패키지를 한 번 설치하세요(MCP 페이지 참조). 2) 로컬 패키지, 로컬 MCP로 연결된 에이전트, 또는 사용자의 코드로 파일에 대해 ocr_pdf 작업을 실행하세요. 3) 결과를 열고 확인하세요. 페이지에서 볼 수 있는 단어를 검색하세요. 검색이 그것을 찾아 올바른 위치에 강조하면 텍스트 레이어가 제대로 들어간 것입니다.
AI 에이전트를 통해 작업한다면 같은 단계는 하나의 요청으로 줄어듭니다. 로컬 MCP 서버를 한 번 연결하고(설정 가이드 참조) 에이전트에게 파일의 OCR을 요청하세요. 모든 것이 사용자의 컴퓨터에서 일어납니다.
중요한 설정: 언어, DPI, 페이지
언어는 사람들이 가장 많이 틀리는 설정입니다. 기본값은 eng(영어)입니다. 다른 언어의 경우 언어 매개변수를 Tesseract 언어 코드로 설정하거나 코드를 조합하세요. 예를 들어 영어와 독일어가 섞인 문서는 eng+deu입니다. 언어 데이터는 첫 사용 시 한 번만 다운로드되어 컴퓨터에 남습니다. 문서가 실제로 쓰인 언어를 선택하는 것이 다른 어떤 설정보다 훨씬 중요합니다.
DPI 기본값은 300이며 150에서 600 사이로 설정할 수 있습니다. 인식 전에 각 페이지가 렌더링되는 해상도입니다. 일반 스캔에서는 300으로 두세요. 더 높은 값은 작은 글자에 도움이 될 수 있지만 사용자의 컴퓨터에서 작업이 느려집니다. 마지막으로 페이지 매개변수는 작업을 지정한 페이지(예: 1-3,5,8)로 제한하는데, 이는 긴 문서를 처리하기 전에 몇 페이지로 설정을 시험하는 가장 빠른 방법입니다.
제한, 개인정보, 정직한 한계
실질적으로는 사용자의 기기가 제한합니다. 메모리와 속도, 그리고 브라우저에서는 약 100MB, 500페이지까지의 파일입니다. 매우 긴 문서는 사용자의 컴퓨터가 걸리는 만큼 시간이 걸립니다. 거대한 스캔을 부분으로 나누는 것은 여전히 좋은 생각입니다.
개인정보는 사이트 자체가 하는 것보다 강한 주장 없이 pdfmcp 규칙을 따릅니다. 모든 것이 로컬로 실행되고, 파일이 업로드되는 일도, 서버에 저장되는 일도, AI 학습에 사용되는 일도 없습니다. 그리고 정직한 한계: OCR은 적당히 선명한 스캔에서 인쇄된 텍스트를 읽습니다. 손글씨, 대비가 매우 낮은 스캔, 손상된 페이지는 오류를 만들 것입니다. 결과는 최선을 다한 텍스트 레이어이지 공증된 전사가 아니므로, 중요한 이름과 숫자는 페이지 이미지로 확인하세요.
자주 묻는 질문
pdfmcp에서 OCR은 무료인가요?
네, 영원히 무료입니다. 기기에서 텍스트로 변환하는 OCR 도구는 무료이며 계정이 필요 없습니다. 로컬 패키지를 이용한 완전한 OCR도 무료이며 키도 일일 한도도 없습니다. 유료 등급은 없습니다.
OCR이 내 PDF의 겉모습을 바꾸나요?
ocr_pdf는 보이지 않는 텍스트 레이어를 추가합니다. 페이지 이미지는 그대로 남습니다. 이미 텍스트가 있는 페이지는 변경 없이 통과하며 건너뛰었다고 보고됩니다.
OCR은 어떤 언어를 읽을 수 있나요?
로컬 패키지에서는 언어 매개변수를 Tesseract 언어 코드로 설정하세요(기본값 eng; eng+deu 같은 조합이 작동합니다). 언어 데이터는 첫 사용 시 한 번만 다운로드됩니다. 기기의 웹 OCR 텍스트 도구에는 영어만 포함되어 있습니다.
내 큰 스캔이 왜 오래 걸리나요?
OCR은 무거운 작업이며 사용자의 컴퓨터에서 실행되므로, 매우 긴 스캔은 사용자의 컴퓨터가 걸리는 만큼 시간이 걸립니다. 문서를 더 작은 부분으로 나누어 그 부분들에 OCR을 적용하거나, 파일에 이미 텍스트 레이어가 있다면 대신 pdf_to_text로 그 텍스트를 추출하세요.
OCR이 손글씨에도 작동하나요?
인쇄된 텍스트용으로 설계되었습니다. 손글씨와 품질이 낮은 스캔은 오류를 만들 수 있으므로, 중요한 세부사항은 원래 페이지 이미지로 확인하세요.
원본 게시 위치: https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/