PDF에서 단락을 복사하여 이메일이나 문서에 붙여넣으면 모든 줄이 페이지 중간에서 끊어집니다. 깨끗한 텍스트 블록 대신 원본 PDF의 각 줄이 붙여넣은 결과에서 짧은 줄이 되는 들쭉날쭉한 엉망이 됩니다. 원하지 않는 줄바꿈을 하나씩 제거하는 것은 지루한 일이며, 여러 페이지로 구성된 문서로 작업하는 경우 내용을 처음부터 다시 입력하는 것보다 시간이 더 걸릴 수 있습니다.
이 문제는 연구 발췌문을 복사하는 학생부터 보고서에서 데이터를 추출하는 전문가에 이르기까지 정기적으로 PDF를 사용하는 모든 사람에게 영향을 미칩니다. 근본 원인은 PDF가 내부적으로 텍스트를 저장하는 방식에 있습니다. 단락을 논리 단위로 이해하는 워드 프로세서 문서와 달리 PDF는 페이지의 절대 위치에 배치된 개별 문자 스트림으로 텍스트를 기록합니다.
PDF가 텍스트를 저장하는 방법: 단락이 아닌 개별 문자
모든 워드 프로세싱 문서는 단락 구분이 명시적으로 표시된 연속 흐름으로 텍스트를 저장합니다. Word에서 복사할 때 응용 프로그램은 단락이 시작하고 끝나는 위치를 인식하므로 클립보드는 깨끗한 텍스트 블록을 받습니다. PDF는 완전히 다른 원리로 작동합니다. 내부적으로 PDF 페이지는 그리기 지침 세트입니다. 이 문자를 좌표 (x1, y1)에 배치하고 다음 문자를 (x2, y1)에 배치하는 식입니다. PDF 데이터 수준에서는 단락의 개념이 존재하지 않습니다.
Nielsen Norman Group이 실시한 2025년 조사에 따르면 지식 근로자는 PDF에서 복사한 텍스트 형식을 다시 지정하는 데 주당 평균 18분을 소비하는 것으로 나타났습니다(Nielsen Norman Group, "Digital Document Workflows Study", 2025). 1년이 지나면 복사된 PDF 텍스트의 줄바꿈 수정 및 아티팩트 서식 지정으로 인해 개인당 약 15시간의 생산성 손실이 발생합니다.
PDF 편집기을 사용하여 PDF의 내부 구조를 보면 화면에서 하나의 흐르는 단락처럼 보이는 것이 실제로는 각각 하나의 시각적 선을 나타내는 수십 개의 별도 텍스트 개체로 저장되어 있음을 알 수 있습니다. 일부 PDF는 여러 텍스트 개체에서 단어를 분리하기도 합니다. 특히 원본 문서에 양쪽 정렬이나 하이픈 넣기가 사용된 경우 더욱 그렇습니다. 클립보드는 일관된 단락을 구성하는 순서가 아니라 페이지에 나타나는 순서대로 이러한 조각을 받습니다.
덜 알려진 기여 요인은 PDF 생산자 메타데이터입니다. 다른 소프트웨어로 작성된 PDF에는 생성 응용 프로그램을 식별하는 생산자 태그가 있습니다. 일부 도구, 특히 macOS Preview 및 특정 Linux PDF 뷰어에 내장된 도구는 텍스트 추출 알고리즘이 올바르게 구문 분석하기가 더 어려운 파일을 생성합니다. 특정 소스의 PDF를 복사할 때 정기적으로 문제가 발생하는 경우 문서 속성에서 생산자 필드를 확인하면 문제가 PDF 작성자에게 있는지 아니면 PDF 리더에 있는지 식별하는 데 도움이 될 수 있습니다.
논리적인 텍스트 순서와 시각적인 텍스트 순서 간의 구별은 이 문제를 이해하는 데 기본입니다. 시각적으로 정렬된 PDF는 페이지에서 읽기 순서로 텍스트를 배치하지만 내부적으로 해당 순서를 인코딩하지 않을 수 있습니다. 일반적으로 PDF로 인쇄하는 대신 적절한 내보내기를 통해 생성된 논리적으로 정렬된 PDF는 각 단락에 구조 단위로 태그를 지정합니다. 대부분의 복사된 텍스트 문제는 데이터 보존보다 픽셀 완벽한 렌더링을 우선시하는 인쇄 드라이버 또는 레거시 소프트웨어에 의해 생성되고 시각적으로 정렬된 PDF에서 발생합니다.
줄 바꿈이 잘못된 위치에 삽입되는 이유
붙여넣을 때 표시되는 줄 바꿈은 두 가지 소스에서 발생합니다. 첫 번째는 PDF 생성 소프트웨어가 각 시각적 줄 끝에 삽입한 명시적인 개행 문자입니다. 많은 PDF 생성기, 특히 오래된 PDF 생성기나 프린터 드라이버에서는 텍스트의 각 줄을 별도의 문자열과 줄바꿈으로 작성합니다. 해당 텍스트를 복사하면 해당 줄 바꿈이 모두 나타납니다.
이러한 구조적 불일치는 거의 모든 텍스트 복사 실패를 설명합니다.
WukongPDF는 문서 데이터를 로컬 장치에 유지하면서 텍스트 추출 및 PDF 편집 작업을 처리합니다. 이는 계약서, 재무 보고서 또는 민감한 정보가 포함된 파일로 작업할 때 중요합니다.
두 번째 소스는 PDF 리더가 복사 작업을 위해 텍스트를 재구성하는 방법입니다. PDF는 위치별로 문자를 저장하므로 독자는 어떤 문자가 단어를 형성하고 어떤 단어가 줄을 형성하는지 알고리즘을 통해 결정해야 합니다. PDF 리더마다 다른 결정을 내립니다. Adobe Acrobat은 단락을 인식하고 줄을 함께 연결할 수 있는 반면, 브라우저 기반 뷰어는 모든 원래 줄 바꿈을 보존할 수 있습니다.
이 PDF 형식 사양에는 논리적 읽기 순서와 단락 경계를 표시할 수 있는 태그가 있는 PDF라는 선택적 메타데이터가 포함되어 있습니다. 이 메타데이터가 있으면 텍스트 추출이 훨씬 더 잘 작동합니다. 불행히도 유통 중인 PDF의 상당 부분은 태그 구조 없이 생성되었습니다. CommonLook의 2024년 분석에 따르면 공개 웹사이트에 있는 PDF 중 34%만이 적절한 태그가 포함되어 있는 것으로 나타났습니다(CommonLook, "Global PDF Accessibility Report", 2024).
또 다른 요소는 PDF 내부에 사용되는 텍스트 인코딩입니다. 일부 PDF는 유니코드 값이 아닌 글리프에 매핑되는 문자 코드를 사용하여 텍스트를 저장합니다. 이러한 PDF에서 복사할 때 리더는 내부 인코딩을 클립보드용 유니코드로 변환해야 합니다. 인코딩 테이블이 불완전하거나 누락된 경우 복사된 텍스트에 대체 문자, 누락된 공백 또는 잘못된 위치의 줄 바꿈이 포함되어 있을 수 있습니다. 이 인코딩 문제는 스캔한 문서와 이전 전자 출판 소프트웨어에서 생성된 PDF에서 더 일반적입니다.
다양한 텍스트 추출 방법이 줄 바꿈을 처리하는 방법
PDF에서 텍스트를 가져오는 데 사용하는 방법은 깔끔한 단락을 얻는지, 아니면 지저분한 깨진 선을 얻는지에 극적인 영향을 미칩니다. PDF 뷰어를 통한 수동 복사 및 붙여넣기는 신뢰성이 가장 낮은 접근 방식입니다. 클립보드는 뷰어 추출 알고리즘이 생성하는 모든 텍스트를 수신하며 줄 바꿈 처리 방법을 제어할 수 없습니다.
전용 텍스트 추출 도구는 다르게 작동합니다. PDF 파일을 직접 구문 분석하고 문자 간격, 글꼴 크기 변경 및 들여쓰기 패턴을 확인하여 단락 경계를 감지하는 알고리즘을 적용합니다. 일부 도구는 기계 학습을 사용하여 유지해야 하는 하드 줄 바꿈과 단락 내에서 텍스트를 감싸고 제거해야 하는 소프트 줄 바꿈을 구별합니다.
PDF를 Text로 변환하는 경우 출력 품질은 소스 PDF에 따라 크게 달라집니다. 태그 구조가 활성화된 워드 프로세서에서 직접 생성된 PDF는 거의 완벽하게 추출됩니다. 인쇄된 페이지를 스캔하고 OCR을 실행하여 생성된 PDF는 훨씬 더 거친 결과를 생성하며, OCR 엔진이 물리적 줄 끝을 텍스트 분리로 해석하여 발생하는 줄 바꿈 아티팩트가 자주 발생합니다.
여기서는 포함된 텍스트와 OCR로 생성된 텍스트 간의 차이점이 중요합니다. 포함된 텍스트는 원본 문서 작성 프로세스에서 제공되며 최소한 일부 구조 정보를 보존합니다. OCR로 생성된 텍스트는 이미지에서 재구성되며 고유한 단락 구조를 포함하지 않습니다. OCR 엔진이 인식하는 각 줄은 별도의 텍스트 블록이 되며, OCR 소프트웨어에 단락 감지 기능이 포함되어 있지 않으면 모든 줄 바꿈이 복사된 출력에 나타납니다.
PDF에서 복사된 텍스트를 정리하는 빠른 방법
짧은 구절의 경우 텍스트 편집기에서 간단히 찾기 및 바꾸기가 잘 작동합니다. 텍스트를 복사하여 일반 텍스트 편집기에 붙여넣은 다음 찾기 및 바꾸기를 사용하여 줄 바꿈을 공백으로 바꿉니다. 대부분의 텍스트 편집기는 이를 위해 정규식을 지원합니다. 앞에 마침표나 기타 문장 끝 구두점이 없는 줄 바꿈을 검색하면 문장 중간 부분을 제거하면서 실제 단락 나누기를 유지할 수 있습니다.
긴 문서의 경우 워드 프로세서에 붙여넣고 형식 지우기 도구를 사용하는 것이 더 빠른 경우가 많습니다. 텍스트를 붙여넣고 모두 선택한 다음 서식 지우기 명령을 적용합니다. 그런 다음 특수 문자로 워드 프로세서 찾기 및 바꾸기를 사용하여 실제 단락 경계를 표시할 가능성이 있는 이중 줄 바꿈을 유지하면서 한 줄 바꿈을 공백으로 변환합니다. PDF 텍스트 추출을 정기적으로 사용하는 경우 자동 단락 감지를 포함한 텍스트 추출 기능이 있는 전용 PDF 편집기 사용을 고려해 보십시오.
PDF를 텍스트로 변환하는 작업 흐름이 빈번한 경우 일관된 정리 프로세스를 설정하면 상당한 시간이 절약됩니다. 원하는 형식으로 템플릿 문서를 만들고, 매번 동일한 찾기 및 바꾸기 작업 순서를 사용하고, 워드 프로세서에 매크로를 기록하여 정리 단계를 자동화하는 것을 고려해보세요. 초기 설정에는 몇 분이 걸리지만 이후 추출할 때마다 비용이 회수됩니다.
텍스트를 깔끔하게 복사하는 PDF를 만드는 방법
문제를 근원적으로 예방하는 것이 가장 효과적인 전략입니다. PDF를 작성할 때 문서 구조를 유지하는 내보내기 설정을 선택하십시오. Microsoft Word에서는 PDF로 인쇄 대신 PDF로 저장을 사용하세요. PDF로 저장 경로는 단락 경계를 포함하여 더 많은 문서 메타데이터를 보존하므로 나중에 텍스트 추출이 크게 향상됩니다. PDF로 인쇄 경로는 구조적 정보를 제거하는 프린터 드라이버를 통해 문서를 보냅니다.
소프트웨어에서 제공할 때마다 태그가 있는 PDF 출력을 활성화합니다. 태그가 있는 PDF에는 텍스트 추출 도구에 단락, 제목 및 목록이 시작하고 끝나는 위치를 정확하게 알려주는 논리적 문서 구조가 포함되어 있습니다. Adobe 응용 프로그램에서 이 설정은 내보내기 기본 설정에 있습니다. Microsoft Office에서는 내장된 PDF 내보내기를 사용할 때 기본적으로 활성화되어 있지만 타사 PDF 프린터에는 이 기능이 포함되지 않을 수 있습니다.
프로그래밍 방식으로 PDF를 생성하는 경우 PDF 라이브러리가 태그가 있는 PDF 출력을 지원하는지 확인하세요. iText, PDFlib 및 Apache PDFBox와 같은 라이브러리는 모두 태그가 지정된 PDF 생성을 지원하지만 이 기능은 선택 사항인 경우가 많으므로 명시적으로 활성화해야 합니다. HTML에서 PDF를 생성하는 웹 애플리케이션의 경우 Prince XML 및 WeasyPrint와 같은 도구를 올바르게 구성하면 태그가 지정된 출력을 생성할 수 있습니다. 나중에 누군가가 PDF에서 텍스트를 복사해야 할 때마다 작성 시간에 추가 노력이 필요합니다.