원본 문서가 영어로 되어 있고 왼쪽에서 오른쪽, 위에서 아래로 읽는 순서가 간단한 경우 PDF를 Word로 변환하는 것은 충분히 어렵습니다. 소스 문서가 아랍어, 히브리어, 페르시아어 또는 우르두어로 되어 있는 경우 변환 시 텍스트가 오른쪽에서 왼쪽으로 흐르고, RTL 텍스트 내의 숫자가 왼쪽에서 오른쪽으로 쓰여지고, 전체 페이지 레이아웃이 오른쪽에서 시작되는지도 올바르게 확인해야 합니다. 대부분의 PDF - Word 변환기는 주로 LTR 문서에서 설계 및 테스트되었으며 RTL 콘텐츠에 대한 성능은 불완전한 것부터 완전히 사용할 수 없는 것까지 다양합니다.
PDF 형식은 읽기 순서를 텍스트 속성으로 명시적으로 저장하지 않습니다. 개별 텍스트 실행을 페이지에 배치된 문자 모양으로 저장합니다. LTR 텍스트의 경우 변환기는 텍스트가 왼쪽에서 오른쪽으로, 위에서 아래로 읽는다고 합리적으로 가정할 수 있습니다. 이는 물리적 레이아웃과 일치하기 때문입니다. RTL 텍스트의 경우 이 가정은 정확히 잘못된 것입니다. 페이지의 오른쪽에서 왼쪽으로 읽는 아랍어 텍스트 줄은 LTR 순서를 가정하는 변환기에 의해 반전되어 각 줄의 철자가 거꾸로 된 출력을 생성합니다. 이는 사소한 형식 문제가 아닙니다. 아랍어의 역행은 아랍어 사용자가 읽을 수 없습니다.
여러 언어에 대한 PDF-텍스트 추출 정확도에 대한 2025년 연구에 따르면 RTL 추출 오류율은 동일한 변환 도구 세트에서 LTR 추출 오류율보다 3.6배 높았으며, 단어 순서 반전이 가장 일반적인 오류 유형이었습니다(Computational Linguistics Institute, "Multilingual PDF Text Extraction Accuracy", 2025). 이 연구는 또한 오류가 무작위가 아니라는 것을 발견했습니다. 특정 도구는 지속적으로 RTL을 올바르게 처리하거나 체계적으로 반전된 출력을 생성했습니다. 즉, RTL 변환에 적합한 도구를 선택하는 것이 변환 설정을 조정하는 것보다 더 중요하며 전환 도구는 절망적으로 깨진 것처럼 보이는 변환을 수정할 수 있습니다.
PDF가 RTL 텍스트를 저장하는 방법 및 단순 추출이 실패하는 이유
PDF 내에서 텍스트는 일련의 문자 모양 색인과 위치 지정 명령으로 저장됩니다. 각 텍스트 실행에 대해 PDF는 글꼴, 문자의 문자 모양 코드, 페이지에 있는 각 문자의 X 및 Y 좌표를 지정합니다. "이 텍스트는 아랍어입니다."라는 명시적인 플래그가 없습니다. 또는 "이 줄은 오른쪽에서 왼쪽으로 읽습니다." PDF 변환기는 유니코드 양방향 알고리즘을 통해 방향성을 인코딩하는 유니코드 문자 코드에서 텍스트 방향을 추론해야 합니다. 아랍어 및 히브리어 문자에는 고유한 RTL 방향이 있으며 유니코드 알고리즘은 표시할 RTL 및 LTR 문자의 혼합 시퀀스를 재정렬하는 방법을 지정합니다.
문제는 PDF에서 문자 모양의 원시 추출 순서가 원본 텍스트 문자의 논리적 순서와 일치하지 않을 수 있다는 것입니다. PDF 작성자는 페이지에 어떤 순서로든 문자 모양을 자유롭게 배치할 수 있으며, 일부 작성기 소프트웨어는 읽기 순서가 오른쪽에서 왼쪽임에도 불구하고 콘텐츠 스트림에서 RTL 문자 모양을 왼쪽에서 오른쪽으로 배치합니다. 추출 순서에 따라 문자 모양을 순진하게 연결하는 변환기는 원본 PDF 작성자가 텍스트를 인코딩하기로 선택한 방법에 따라 올바르게 읽히거나 거꾸로 읽히는 텍스트를 생성합니다. 동일한 아랍어 문서를 두 개의 서로 다른 워드 프로세서에서 PDF로 인쇄하면 서로 다른 문자 순서로 콘텐츠 스트림을 생성할 수 있으며, 한 문서에 완벽하게 작동하는 변환기는 다른 문서에 대해 반전된 텍스트를 생성할 수도 있습니다.
유니코드 표준 부록 9에 지정된 유니코드 양방향 알고리즘은 표시를 위해 방향성이 혼합된 문자 시퀀스를 재정렬하는 방법을 정의합니다. 이 알고리즘을 올바르게 구현하는 변환기는 PDF 콘텐츠 스트림의 문자 모양 순서에 관계없이 대부분의 RTL 텍스트를 올바르게 처리할 수 있습니다. 그러나 구현 품질은 다양합니다. 알고리즘은 일반적인 경우를 잘 처리하지만 중첩된 방향 재정의, 방향 경계의 구두점, 아랍어 문장 내의 영어 기술 용어와 같은 혼합 스크립트 텍스트와 관련된 극단적인 경우가 있습니다.
RTL 읽기 순서를 처리하는 변환기 선택
RTL 문서에 대한 가장 안정적인 변환기는 텍스트 추출 중에 유니코드 양방향 알고리즘을 구현하는 변환기입니다. Adobe Acrobat Pro와 Apache PDFBox 및 pdfplumumber를 포함한 여러 오픈 소스 라이브러리는 이 알고리즘을 다양한 수준으로 지원합니다. RTL 문서 배치에 대한 변환기를 사용하기 전에 단일 대표 페이지로 테스트하십시오. 텍스트를 Word로 추출하고 출력을 단어별로 원본 PDF와 비교합니다. 문장 내 단어 순서 반전, RTL 텍스트 내 숫자의 올바른 위치 지정, 아랍어 단락 내 영어 회사 이름과 같은 혼합 LTR/RTL 시퀀스를 확인하세요.
변환기가 지속적으로 RTL 텍스트를 반전시키는 경우 중간 형식을 통과하는 변환 경로를 사용하여 문제를 해결할 수 있는 경우가 있습니다. RTL을 올바르게 처리하는 도구를 사용하여 PDF를 HTML 또는 태그가 있는 텍스트 형식으로 변환합니다. 그런 다음 중간 형식을 Word로 가져옵니다. 이 2단계 프로세스는 PDF를 Word로 직접 변환하는 것보다 덜 편리하지만 직접 경로가 반전된 텍스트를 생성하는 경우 간접 경로는 사용 가능한 출력에 대한 유일한 자동화된 경로입니다.
WukongPDF는 소스 문서의 메타데이터가 RTL 언어를 나타낼 때 올바른 읽기 방향과 텍스트 정렬을 자동으로 적용하는 RTL 인식 변환을 지원합니다. 변환기는 문서의 기본 스크립트를 감지하고 텍스트 추출 중에 적절한 방향 규칙을 적용하여 올바른 단락 방향, 텍스트 정렬 및 문자 순서가 포함된 Word 문서를 생성합니다.
RTL 문서로 페이지 레이아웃 구조 보존
읽기 순서는 텍스트 그 이상에 영향을 미칩니다. RTL 문서의 전체 페이지 레이아웃은 LTR 문서를 기준으로 미러링됩니다. 아랍어 책의 첫 페이지는 영어 독자가 마지막 페이지로 간주하는 페이지입니다. 테이블은 오른쪽에서 왼쪽으로 진행됩니다. 목록은 오른쪽에 들여쓰기되어 있습니다. 제본 여백은 오른쪽 페이지의 오른쪽에 있습니다. 텍스트 방향을 올바르게 처리하지만 레이아웃 구조를 조정하지 않는 변환은 텍스트가 올바르게 읽히지만 모든 것이 LTR 문서인 것처럼 배치되고 왼쪽 정렬된 단락과 왼쪽 들여쓰기 목록이 RTL 판독기에는 잘못 보이는 Word 문서를 생성합니다.
PDF를 Word로 변환하여 편집하고 다시 내보내려는 경우 편집자가 구조를 조정하므로 PDF 형식 레이아웃을 유지하는 것이 덜 중요합니다. Word 문서가 원본 PDF와 시각적으로 일치해야 하는 보관 또는 참조 목적으로 변환하는 경우 레이아웃 보존이 더 중요합니다. 이러한 경우 원본의 텍스트 상자 위치, 열 레이아웃 및 여백 정렬을 유지하는 변환기를 선택하십시오. 변환 후 모든 페이지에서 텍스트 방향이 올바른지 수동으로 확인하십시오. 아랍어 및 히브리어 텍스트의 경우 단락 정렬이 기본 왼쪽 정렬이 아닌 오른쪽 정렬로 설정되어 있는지 확인하세요. 모든 테이블의 열이 올바른 오른쪽에서 왼쪽 순서로 되어 있는지 확인하세요. 이러한 수동 검사는 변환기가 콘텐츠의 의미론적 의미를 이해하지 못하기 때문에 자동 변환이 감지할 수 없는 문제를 포착합니다.