텍스트 추출

브라우저가 PDF를 화면에 띄울 때 쓰는 엔진으로, 대부분의 PDF가 화면 뒤에 담고 있는 텍스트 레이어를 읽습니다. 사이트가 한 번 열리면 전부 기기 안에서 처리되어 문서가 업로드되지 않습니다. 대부분의 문서는 몇 초 안에 텍스트가 나오고, 복사하거나 .txt로 저장할 수 있습니다.

아무것도 안 나오면 그 PDF는 대부분 스캔본입니다. 글자 레이어 없이 페이지를 찍은 이미지인 거죠. 추출은 파일 안에 실제로 저장된 글자만 읽을 수 있습니다. 스캔한 이미지를 글자로 바꾸려면 OCR(문자 인식)이 필요한데, 그림에서 글자를 읽어 내는 별도 작업입니다.

안 올라갑니다. PDF는 브라우저 안에서 읽히고 추출된 텍스트도 기기 밖으로 나가지 않습니다. 텍스트를 뽑는 문서는 계약서, 보고서, 명세서처럼 비공개로 둘 만한 게 많아서 이 점이 중요합니다. 끝나면 탭을 닫는 것으로 충분하고, 서버에 남는 게 없습니다.

줄바꿈이 있는 읽기 좋은 텍스트가 나오지만, 단 나누기·표·머리말·글꼴 같은 레이아웃은 그대로 살리지 못합니다. 2단 편집 페이지는 순서가 뒤섞여 읽힐 수 있고, 표는 한 줄로 풀어져 나옵니다. 그냥 읽거나 검색하거나 다른 곳에 붙여 넣기엔 충분하지만, 정확한 레이아웃이 필요하면 원본 PDF를 쓰세요.

됩니다. PDF에 실제 텍스트 레이어가 있으면 언어는 상관없습니다. 한국어, 영어, 숫자, 섞인 내용 모두 똑같이 추출됩니다. 유일하게 안 되는 경우는 글자 레이어가 없는 스캔 이미지인데, 이는 언어와 무관하게 추출이 아니라 OCR이 필요합니다.