완전 안내: PDF를 Markdown으로 변환하기
어떤 PDF는 매끄럽게 지나가고 어떤 PDF는 OCR이 필요한 이유, 그리고 두 경우 모두 가장 깨끗한 결과를 얻는 방법.
디지털 PDF와 스캔 PDF
디지털 PDF — 텍스트 층이 있음
소프트웨어가 만든 파일입니다(Word, LaTeX, 브라우저 인쇄 창). 글자가 실제로 파일 안에 있어 추출이 빠르고 손실도 거의 없습니다. 일상 문서의 약 97 %가 여기에 해당하며 몇 초면 끝납니다.
스캔 PDF — 쪽을 찍은 사진일 뿐
복사기, 휴대폰 카메라, 팩스에서 나온 파일입니다. 뽑아낼 글자가 없어 긁어서 복사해도 아무것도 잡히지 않습니다. 읽어 낼 수 있는 것은 OCR뿐이고, 그래서 대부분의 무료 변환기가 조용히 빈 파일을 돌려줍니다.
잘 변환되는 것
한 단으로 된 문서
보고서, 기술 문서, 논문, 계약서는 깔끔하게 지나갑니다. 제목은 단계를 지키고 목록은 중첩된 채 남습니다.
테두리가 있는 표
선이 보이는 표는 Markdown 표로 다시 만들어져 어디서 열어도 제대로 보입니다.
문서에 박힌 이미지
PDF 안의 그림은 뽑아내 본문에서 참조하므로 문서에서 빠지는 것이 없습니다.
스캔본과 신청서
텍스트 층이 없는 쪽은 OCR이 인식합니다. 여러 언어가 섞인 편집이나 작성이 끝난 서식도 다룹니다.
가장 깨끗한 결과를 얻으려면
- 1.
먼저 판별에 맡기세요
그냥 그대로 올리면 됩니다. 도구가 텍스트 층이 있는지 살펴보고 정말 필요할 때만 OCR을 제안하므로, 쓸데없는 OCR에 값을 치를 일이 없습니다.
- 2.
글자가 깨져 나오면 OCR을 직접 돌리세요
오래된 스캔본은 여러 해 전의 엉성한 OCR 층을 달고 있는 경우가 있습니다. 여기에는 어떤 판별도 속아 넘어가므로 결과 화면에 '대신 OCR 실행' 단추를 남겨 두었습니다. 글자가 뭉개져 나올 때 쓰면 됩니다.
- 3.
여러 단으로 된 쪽은 다시 읽어 보세요
옆단, 각주, 두 단짜리 논문은 PDF가 저장한 순서대로 읽히는데 그 순서가 사람이 읽는 순서와 늘 같지는 않습니다. 그대로 믿기 전에 그 부분만 훑어보세요.
- 4.
아주 긴 문서는 나누세요
쪽수 제한이 있는 이유는 길이에 따라 시간이 늘기 때문입니다. 책이나 사건 기록은 장 단위로 변환하는 편이 좋고, 검토하기도 훨씬 수월합니다.