PDF에서 텍스트를 복사하여 워드 프로세서에 붙여넣으면 원치 않는 줄 바꿈으로 가득 찬 텍스트가 생성되는 경우가 많습니다. 원본 PDF의 모든 줄은 붙여넣은 출력에서 별도의 단락이 됩니다. PDF 페이지에서 5줄을 차지하는 단락은 연결되지 않은 5개의 텍스트 덩어리로 붙여넣습니다. PDF를 텍스트로 추출하려면 PDF가 텍스트를 저장하는 방법을 이해하고 개별 텍스트 줄에서 단락을 재구성하는 추출 도구를 사용해야 합니다.
PDF 파일은 텍스트를 페이지에 배치된 문자로 저장합니다. PDF의 내부 데이터 모델에는 단락 개념이 존재하지 않습니다. 문자는 특정 좌표에 배치되며 줄 바꿈은 텍스트 줄 사이의 수직 간격에 암시적으로 적용됩니다. 단순히 문자를 순서대로 읽고 모든 수직 간격에 줄 바꿈을 삽입하는 추출 도구는 붙여넣은 PDF 텍스트를 작업하기 매우 어렵게 만드는 조각난 출력을 생성합니다.
WukongPDF의 PDF 데이터 추출 도구는 텍스트 추출 중에 단락 구조를 보존하여 편집 가능한 깔끔한 출력을 생성합니다.
PDF 텍스트 추출이 원하지 않는 줄 바꿈을 추가하는 이유
5줄에 걸쳐 있는 PDF 단락을 생각해 보세요. 내부적으로 PDF에는 각각 다른 수직 좌표에 위치한 5개의 개별 텍스트 개체가 저장됩니다. 단순한 추출 도구는 각 텍스트 개체를 읽고 그 뒤에 줄바꿈을 추가합니다. 결과는 하드 리턴으로 구분된 5줄의 텍스트이며, 각 줄은 워드 프로세서에서 독립된 단락으로 처리됩니다. 텍스트를 리플로우하려면 수동으로 줄을 다시 결합해야 합니다.
향상된 추출 도구는 텍스트 줄 사이의 세로 간격을 분석하여 단락 경계를 감지합니다. 단락 내의 줄은 일정한 줄 간격을 갖습니다. 단락 사이의 간격이 더 크거나 다음 줄의 들여쓰기와 같은 추가 간격이 포함될 수 있습니다. 도구는 일정한 간격으로 줄을 단락으로 그룹화하고 경계에 단일 단락 나누기를 삽입합니다. PDF 형식 인식은 조각화된 출력에서 사용 가능한 텍스트 추출을 분리하는 것입니다.
Adobe Acrobat Pro를 사용하여 깨끗한 텍스트 추출
Acrobat Pro의 Word로 내보내기 기능에는 단락 감지가 포함되어 있습니다. 파일, 내보내기, Microsoft Word, Word 문서로 이동합니다. 내보내기 설정에서 맞춤 텍스트 유지를 선택하여 단락 구조를 유지하세요. Acrobat은 텍스트 레이아웃을 분석하고 단락을 재구성합니다. 출력 DOCX 파일에는 원치 않는 줄 바꿈 없이 깔끔한 단락이 있어야 합니다.
내보낸 DOCX를 열고 줄 바꿈 아티팩트를 검색합니다. 표, 글머리 기호 목록 또는 열이 포함된 단락에는 복잡한 레이아웃으로 인해 단락 감지가 혼동되기 때문에 여전히 문제가 있을 수 있습니다. 이러한 영역의 경우 파선을 수동으로 결합하고 단락 구조가 원본 PDF와 일치하는지 확인하십시오. Acrobat 내보내기는 단락의 80~90%를 올바르게 처리합니다. 나머지 엣지 케이스에는 수동 주의가 필요합니다.
복사-붙여넣기 정리 방법
짧은 문서의 경우 가장 빠른 방법은 PDF에서 텍스트를 복사하여 일반 텍스트 편집기에 붙여넣고 수동으로 정리하는 것입니다. PDF에서 모든 텍스트를 선택하고 메모장이나 유사한 편집기에 복사하여 붙여넣습니다. 텍스트는 모든 줄 뒤에 원치 않는 줄바꿈과 함께 나타납니다. 단락 경계를 나타내는 이중 줄 바꿈을 유지하면서 한 줄 바꿈을 제거하려면 찾기 및 바꾸기를 사용합니다.
대부분의 텍스트 편집기에서는 단일 줄 바꿈을 검색하고 공백으로 바꾼 다음 두 개의 연속된 줄 바꿈을 검색하고 단일 줄 바꿈으로 바꿉니다. 단락 나누기를 유지하면서 단락 내의 줄을 결합합니다. 수동 방법은 최대 5페이지 정도의 문서에 적용됩니다. 그 외에도 찾기 및 바꾸기 접근 방식은 지루하고 오류가 발생하기 쉽습니다.
Python 및 pdfplumumber를 사용한 프로그래밍 방식 추출
Python용 pdfplumber 라이브러리는 텍스트 추출을 세밀하게 제어할 수 있는 기능을 제공합니다. 특정 페이지 영역에서 텍스트를 추출하고, 테이블을 감지하고, 단락 구조를 보존할 수 있습니다. 기본 추출 스크립트는 PDF를 열고, 페이지를 반복하고, page.extract_text()를 호출합니다. 라이브러리의 기본 설정은 간단한 레이아웃에 대한 단락 감지 작업을 합리적으로 수행합니다.
복잡한 레이아웃의 문서 작업 흐름과 관련하여 pdfplumumber를 사용하면 추출 전략을 지정할 수 있습니다. extract_text 메소드는 라이브러리가 문자를 단어와 행으로 그룹화하는 방법을 제어하는 문자 및 단어 간격 임계값에 대한 매개변수를 허용합니다. 텍스트가 빽빽하게 들어 있는 학술 논문이나 줄 간격이 가변적인 마케팅 자료와 같이 특이한 활자체가 있는 문서에 대해 이러한 임계값을 조정하십시오.
| 방법 | 출력 품질 | 에 가장 적합 |
|---|---|---|
| Acrobat을 Word로 내보내기 | 좋음, 단락 구조를 유지합니다. | 단순한 레이아웃, 적은 수의 테이블 |
| 정리된 내용으로 복사하여 붙여넣기 | 가변적이며 수작업이 필요함 | 짧은 문서, 빠른 추출 |
| Python + pdf배관공 | 훌륭하고 완벽한 제어 | 일괄 처리, 복잡한 문서 |
전문적인 용도로 추출된 텍스트 후처리
추출 후 텍스트를 사용하기 전에 품질 검사를 실행하세요. 공통 아티팩트 검색: 단일 공백이어야 하는 이중 공백, 제거해야 하는 줄 끝의 하이픈, 단일 단락으로 병합된 번호가 매겨진 목록 항목. 5분의 정리 과정을 통해 이러한 아티팩트를 포착하고 원본 PDF처럼 원활하게 읽을 수 있는 텍스트를 생성합니다.
문서 작업 과정의 경우 비슷한 형식의 PDF에서 반복적으로 추출하려면 모든 추출에 동일한 정리 규칙을 적용하는 후처리 스크립트를 작성하세요. 스크립트는 하이픈 제거, 공백 정규화 및 목록 감지를 자동으로 처리합니다. 몇 번의 추출 주기 후에 스크립트는 특정 문서 형식에 맞게 조정되고 수동 개입 없이 깨끗한 텍스트를 생성합니다.
PDF에서 깔끔한 단락 텍스트 추출은 올바른 도구와 극단적인 경우 수동 정리가 필요할 수 있다는 현실적인 기대를 통해 달성할 수 있습니다. 수동 재입력에 비해 자동 추출로 절약된 시간은 추출 작업 흐름 설정에 대한 소액 투자를 정당화합니다.
추출된 단락 결합 시 원래 서식 유지
깨끗한 단락 텍스트를 추출한 후 원본 PDF에서 굵게, 기울임꼴과 같은 서식을 다시 적용할 수 있습니다. Acrobat을 Word로 내보내면 기본 서식이 유지됩니다. 프로그래밍 방식 추출의 경우 pdfplumber 또는 PyMuPDF는 굵게, 기울임꼴 및 글꼴 크기 메타데이터를 포함한 글꼴 정보로 텍스트를 추출할 수 있습니다.
추출된 글꼴 메타데이터에서 서식이 지정된 텍스트를 다시 작성하려면 글꼴 특성을 출력 서식에 매핑하는 처리가 필요합니다. 볼드체 및 이탤릭체 태그가 포함된 마크다운 또는 HTML을 생성하는 스크립트는 텍스트 편집기에서 편집할 수 있으면서도 원본의 시각적 계층 구조를 유지하는 형식화된 버전을 생성합니다.
일반적인 워크플로에서 자연어 처리 파이프라인을 위한 텍스트를 추출할 때 단락 재구성 품질은 다운스트림 모델 성능에 직접적인 영향을 미칩니다. 깨끗한 단락은 더 나은 훈련 데이터를 생성합니다. 아티팩트 줄 바꿈이 있는 조각난 텍스트로 인해 모델 정확도가 떨어지는 노이즈가 발생합니다.
보관 텍스트 추출의 경우 추출된 텍스트를 원본 PDF와 함께 저장해야 합니다. 텍스트 파일은 먼 미래에 PDF 렌더링 소프트웨어를 사용할 수 없게 되더라도 읽을 수 있는 형식 독립적 버전을 제공합니다.
실제로 좋은 텍스트 추출과 나쁜 텍스트 추출의 차이는 화면 판독기로 텍스트를 소리내어 읽을 때 가장 분명하게 드러납니다. 사람의 말처럼 자연스러운 문장 흐름으로 문단을 깔끔하게 정리하세요. 아티팩트 중단이 있는 조각난 텍스트는 고르지 못하고 분리된 것처럼 들립니다.
텍스트 추출 정확도는 소스 문서 형식을 연습하고 익숙해지면 향상됩니다. 동일한 소프트웨어로 제작된 문서에서 텍스트를 추출한 후 특징적인 아티팩트를 학습하고 이에 따라 설정이나 후처리 규칙을 조정할 수 있습니다.
실제적인 관점에서 실제로 PDF 텍스트 추출 작업 흐름에는 추출된 텍스트 단어 수를 샘플 페이지의 수동 수와 비교하는 검증 단계가 포함되어야 합니다. 불일치는 조사가 필요한 추출 문제를 나타냅니다.
문서 처리 시 수학 방정식이나 과학적 표기법이 포함된 문서의 경우 표준 텍스트 추출이 표기법을 올바르게 캡처하지 못하는 경우가 많습니다. 방정식 형식을 보다 정확하게 처리하는 전문 STEM 추출 도구가 있습니다.
특히 ASCII가 아닌 문자가 포함된 문서의 경우 추출된 텍스트의 인코딩을 확인해야 합니다. UTF-8 출력은 모든 문자 세트를 유지합니다. ASCII 출력에서는 영어가 아닌 스크립트의 문자가 자동으로 삭제되거나 엉망이 될 수 있습니다.
OCR 처리된 스캔 PDF에서 추출된 텍스트는 각 단어에 대한 OCR 신뢰 수준을 전달합니다. 신뢰도가 높은 단어는 일반적으로 정확합니다. 신뢰도가 낮은 단어는 원본 페이지 이미지와 비교하여 확인해야 합니다.
여러 PDF에서 일괄 텍스트 추출에는 각 입력 파일과 추출된 출력을 나열하는 매니페스트 파일이 포함되어야 합니다. 매니페스트를 사용하면 수동 파일 관리 없이 추출된 텍스트 코퍼스를 프로그래밍 방식으로 처리할 수 있습니다.
시간이 지남에 따라 검색 엔진 인덱싱을 위해 텍스트를 추출할 때 추출된 출력에 문서 메타데이터를 포함합니다. 제목, 작성자 및 생성 날짜는 추출된 텍스트가 검색 색인에 추가될 때 검색 관련성을 향상시키는 컨텍스트를 제공합니다.
대부분의 도구에서 비밀번호로 보호된 PDF에서 텍스트를 추출하려면 추출 도구에 비밀번호를 제공해야 합니다. 자동화된 추출 파이프라인에는 비밀번호를 일반 텍스트로 노출하지 않는 안전한 자격 증명 저장소가 필요합니다.
문서 라이브러리의 샘플 문서에서 정기적으로 텍스트 추출 테스트를 수행하여 회귀를 모니터링합니다. 추출 품질이 변경되면 PDF 생성 소프트웨어가 업데이트되어 이제 텍스트가 다르게 생성된다는 의미일 수 있습니다.
PDF에서 깨끗한 텍스트를 추출하는 것은 콘텐츠 용도 변경, 접근성 수정, 번역, 검색 인덱싱, 데이터 분석 등 수십 가지 다운스트림 작업을 지원하는 기본 기술입니다. 이러한 각 작업은 추출된 텍스트의 품질에 따라 달라집니다. 소스에서 추출 품질에 투자하면 모든 다운스트림 애플리케이션의 결과가 향상됩니다.
PDF에서 깨끗한 텍스트를 추출하는 것은 콘텐츠 재활용을 위한 기본 기술입니다. 아티팩트 줄 바꿈이 없으면 추출된 텍스트는 추가 정리 없이 번역, 접근성 도구, 검색 색인 및 새 문서로 유입될 수 있습니다. 추출의 품질은 모든 다운스트림의 품질을 결정합니다.