여러 소스에서 수집된 PDF에는 스캔한 이미지 페이지와 디지털로 생성된 텍스트 페이지가 혼합되어 있는 경우가 많습니다. 처음 10페이지는 보고서 내보내기의 선명한 디지털 텍스트입니다. 다음 5개는 손으로 쓴 메모를 스캔한 이미지입니다. 부록은 두 가지를 혼합한 것입니다. 이 하이브리드 문서는 처리 문제를 야기합니다. OCR은 스캔한 페이지에서만 작동하고, 디지털 텍스트에 적합한 압축 설정은 스캔한 이미지에 적합하지 않으며, 검색 도구는 일부 페이지에서는 콘텐츠를 찾지만 다른 페이지에서는 콘텐츠를 찾지 못합니다.
혼합된 PDF를 잘 처리한다는 것은 문서를 별도의 파일로 분할하지 않고 각 페이지 유형을 적절하게 처리하는 것을 의미합니다. 이 가이드에서는 어떤 페이지에 어떤 처리가 필요한지 식별하는 방법, 작업을 선택적으로 적용하는 방법, 검색 가능하고 크기가 적당하며 모양이 일관적인 통합 출력을 생성하는 방법을 다룹니다.
문서 관리 회사인 M-Files의 2024년 분석에 따르면 스캔 PDF와 디지털 PDF가 혼합된 PDF는 기업 문서 저장소에 있는 전체 PDF의 약 22%를 차지합니다(M-Files, "Enterprise Document Composition Analysis", 2024). 문서가 다양한 소스로부터 수집되기 때문에 하이브리드 형식이 일반적입니다. 처리 문제는 표준입니다.
어떤 페이지가 어떤 페이지인지 식별
스캔한 페이지를 식별하는 가장 빠른 방법은 텍스트를 선택해 보는 것입니다. PDF를 열고 페이지의 텍스트 위로 커서를 드래그합니다. 텍스트가 강조표시되어 복사할 수 있으면 해당 페이지는 디지털 페이지입니다. 개별 단어를 선택할 수 없고 커서가 전체 페이지를 이미지로 선택한 경우 페이지가 스캔됩니다. 문서를 페이지별로 살펴보고 어떤 페이지가 스캔되었는지 확인하세요. 일반적인 문서의 경우 몇 분 정도 걸리며 OCR이 필요한 페이지를 정확하게 알려줍니다.
페이지가 많은 문서의 경우 or 및 같은 일반적인 단어를 검색하는 것이 더 빠른 방법입니다. 검색 결과는 디지털 페이지에서만 일치합니다. 일치하지 않는 페이지는 스캔된 페이지입니다. 페이지 유형에 잘못된 처리를 적용하면 잘못된 결과가 발생하므로 스캔된 PDF 식별 단계가 필수적입니다. 스캔한 페이지를 너무 적극적으로 압축하면 텍스트를 읽을 수 없게 됩니다. OCR을 수행하지 않으면 콘텐츠가 검색되지 않습니다.
선택적 OCR: 스캔한 페이지만 처리
디지털 페이지에서 OCR을 실행하는 것은 낭비이며 원본과 충돌할 수 있는 두 번째 텍스트 레이어를 추가하면 실제로 품질이 저하될 수 있습니다. 올바른 접근 방식은 디지털 페이지는 그대로 두고 스캔한 페이지에서만 OCR을 실행하는 것입니다. 일부 브라우저 기반 OCR 도구는 페이지 선택을 지원하므로 OCR 처리를 위해 페이지 범위를 지정하거나 개별 페이지를 선택할 수 있습니다.
도구가 선택적 OCR을 지원하지 않는 경우 PDF를 스캔된 섹션과 디지털 섹션으로 분할하고 스캔된 섹션만 OCR한 다음 모든 것을 다시 병합하십시오. 추가 분할 및 병합 단계로 인해 작업 흐름에 몇 분이 추가되지만 무차별적으로 OCR을 실행하는 것보다 더 나은 결과를 얻을 수 있습니다. WukongPDF의 OCR PDF 도구 및 병합 기능은 이러한 선택적 접근 방식을 지원합니다.
혼합 문서의 압축 전략
혼합 문서에 단일 압축 설정을 적용하면 결과가 고르지 않게 됩니다. 스캔한 이미지에 적합한 설정(일반적으로 텍스트 가독성을 유지하기 위해 적당한 압축)은 눈에 띄는 품질 손실 없이 보다 적극적으로 압축할 수 있는 디지털 텍스트 페이지에 대해서는 너무 보수적입니다. 디지털 텍스트에 적합한 설정으로 인해 스캔한 페이지를 읽을 수 없게 됩니다.
솔루션은 동일한 분할-프로세스-병합 전략입니다. 즉, 스캔한 섹션과 디지털 섹션을 분리하고 콘텐츠 유형에 적합한 설정으로 각 섹션을 압축한 후 다시 결합합니다. 혼합 문서에 대한 PDF 도구 워크플로는 균일한 문서를 처리하는 것보다 더 많은 단계를 거치지만 출력 품질로 인해 추가 노력이 필요합니다. 균일한 설정으로 처리된 혼합 문서에는 디지털 페이지가 부풀어 오르거나 스캔한 페이지가 읽을 수 없게 됩니다.
포기하고 분리해야 할 때
일부 혼합 문서의 경우 분할-프로세스-병합 접근 방식은 기술적으로는 정확하지만 시각적으로 일관성이 없는 결과를 생성합니다. 스캔한 페이지와 다르게 처리된 디지털 페이지는 최종 문서에서 다르게 보입니다. 단일 파일을 보유하는 것보다 시각적 일관성이 더 중요한 경우 스캔한 섹션과 디지털 섹션을 별도의 PDF로 유지하세요. 수신자는 일치하지 않는 파일 하나가 아닌 일관성 있는 파일 두 개를 받습니다. PDF 도구 결정은 독단적이지 않고 실용적입니다.