OCR 이미지 텍스트 추출

OCR(Optical Character Recognition, 광학 문자 인식)은 이미지 속 문자를 컴퓨터가 읽을 수 있는 텍스트로 변환하는 기술입니다. 스캔 문서, 사진, 스크린샷 등 다양한 이미지에서 텍스트를 자동으로 추출하여 편집, 검색, 복사할 수 있는 형태로 만들어줍니다. 이 도구는 Tesseract.js 엔진을 사용하며 한국어, 영어, 일본어, 그리고 한국어와 영어가 섞인 문서를 인식할 수 있습니다.

처음 실행이 느린 이유

인식을 처음 시작하면 한동안 진행률이 오르지 않습니다. 고장이 아니라 선택한 언어의 학습 데이터를 내려받는 중입니다. 언어당 수 메가바이트에서 십수 메가바이트라 회선 속도에 따라 수십 초가 걸릴 수 있습니다. 한 번 받아두면 브라우저가 캐시하므로 같은 언어로는 다음부터 빠릅니다.

인식 자체도 서버가 아니라 기기의 CPU로 처리합니다. 그래서 이미지가 크고 글자가 많을수록 오래 걸리고, 처리 중에는 브라우저가 잠시 무거워질 수 있습니다. 대신 문서가 외부로 나가지 않습니다.

언어 선택이 정확도를 좌우합니다

한국어 문서에 영어 설정으로 돌리면 글자를 알아보지 못하고 엉뚱한 문자를 뱉습니다. 반대로 영어만 있는 문서에 "한국어 + 영어"를 쓰면 오히려 정확도가 떨어질 수 있습니다. 후보 문자 집합이 넓어지면서 혼동이 늘기 때문입니다.

문서에 실제로 있는 언어만 고르는 것이 원칙입니다. 한글 본문에 영어 용어가 섞인 기술 문서처럼 정말 두 언어가 함께 있을 때만 조합 옵션을 쓰세요.

인식률을 올리는 방법

OCR 결과는 후처리보다 입력 이미지 품질에서 거의 결정됩니다. 결과가 나쁘면 다시 찍는 편이 빠릅니다.

• 수평을 맞추세요. 기울어진 사진은 인식률이 크게 떨어집니다. 문서 가장자리가 화면과 나란하도록 정면에서 찍으세요.
• 그림자를 피하세요. 손이나 몸의 그림자가 문서에 지면 그 부분이 통째로 인식되지 않습니다. 조명을 정면에서 받거나 창가에서 촬영하세요.
• 해상도는 충분히. 글자 높이가 화면에서 20픽셀은 넘어야 합니다. 너무 작으면 확대해도 소용없습니다.
• 대비를 확보하세요. 흰 종이에 검은 글자가 가장 잘 읽힙니다. 색지나 형광펜이 겹친 부분은 놓치기 쉽습니다.
• 손글씨는 기대하지 마세요. Tesseract는 인쇄체 인식 엔진이라 손글씨 정확도가 매우 낮습니다.

자주 묻는 질문

표나 단이 나뉜 문서는 어떻게 되나요?

표의 칸 구조나 2단 편집은 유지되지 않습니다. 글자를 읽는 순서가 뒤섞여 나올 수 있으므로, 단이 나뉜 문서라면 한 단씩 잘라서 따로 처리하는 편이 낫습니다.

PDF도 넣을 수 있나요?

이미지 파일만 지원합니다. PDF라면 PDF → 이미지 도구로 페이지를 이미지로 변환한 뒤 넣으세요. 참고로 텍스트가 살아 있는 PDF라면 OCR 없이 그대로 복사하면 됩니다.

문서가 서버로 전송되나요?

전송되지 않습니다. 인식 엔진과 학습 데이터를 브라우저로 내려받아 기기 안에서 처리합니다. 신분증이나 계약서처럼 민감한 문서도 외부로 나가지 않습니다.