OCR이 수식, 각주, 표, 도표를 놓치는 이유

스크린샷으로 만든 검색 가능한 PDF에는 두 가지가 들어 있습니다. 페이지 이미지와, OCR이 만든 보이지 않는 텍스트 레이어입니다. 이미지는 원본과 정확히 같습니다. 텍스트 레이어는 추정값이며, 교재 페이지에서는 학생들이 가장 많이 검색하는 부분인 수식, 각주, 표, 레이블이 붙은 도표에서 가장 약합니다.

이 글은 이 부분들이 실패하는 이유, 도움이 되는 캡처 설정, 검색에 의존하기 전에 PDF를 확인하는 방법을 설명합니다.

예시는 하나의 문서를 사용합니다. 저자가 공개 라이선스로 게시한 120쪽 분량의 강의 노트입니다. 일반 교재의 레이아웃 문제를 그대로 갖고 있으며, 페이지 단위로 확인할 수 있는 분량입니다.

교재 페이지가 어려운 이유

OCR은 이미지에서 텍스트 블록을 찾고, 이를 줄과 단어로 나눈 뒤, 각 문자의 모양을 문자 모델과 대조합니다. 한 단으로 된 일반 문단, 규칙적인 간격, 본문 크기의 글자, 높은 명암 대비에서 가장 잘 작동합니다.

교재는 거의 모든 페이지에서 이 조건을 벗어납니다. 2단, 사이드바, 캡션, 번호가 매겨진 수식, 표, 그림이 함께 나타납니다. OCR이 실패해도 오류가 표시되지 않습니다. 텍스트 레이어에 잘못된 문자가 들어가거나 해당 영역이 비어 있을 뿐입니다.

OCR 단계별 실패 지점

인식은 여러 단계로 진행되며, 앞 단계의 오류는 뒤 단계로 전파됩니다. 잘못된 순서로 감지된 블록은 그 안의 모든 문자를 정확히 읽어도 계속 잘못된 순서에 남습니다. 아래 흐름은 각 단계와 그 단계를 깨뜨리는 교재 요소를 보여 줍니다.

페이지 이미지는 모든 단계에서 정확하게 유지됩니다. 오류가 있는 곳은 텍스트 레이어뿐입니다. 그래서 PDF가 정상으로 보여도 검색은 잘 되지 않을 수 있습니다.

2단 구성과 읽기 순서

2단 페이지에서 OCR은 한 줄이 오른쪽으로 이어지는지, 같은 단의 다음 줄로 넘어가는지 판단해야 합니다. 단 사이의 간격이 좁으면 OCR은 줄을 가로질러 읽습니다. 그러면 텍스트 레이어에는 왼쪽 단의 반 줄과 오른쪽 단의 반 줄이 번갈아 나타납니다.

강의 노트에서는 120쪽 중 70쪽이 2단을 사용합니다. 단어 하나는 온전하게 남으므로 이 페이지들에서도 개별 단어 검색은 됩니다. 줄바꿈을 넘는 4개 또는 5개 단어 구문은 보통 실패합니다. 다음 줄이 다른 단에 속하기 때문입니다.

한 번에 한 단씩 캡처하면 원인을 없앨 수 있습니다. 왼쪽 단 주변에 Custom Area를 그린 뒤 오른쪽 단을 두 번째로 캡처하면 프레임 수가 두 배가 됩니다. 대부분 산문으로 된 페이지라면 이 비용은 감수할 만한 경우가 많습니다.

수식은 2차원 구조입니다

산문 한 줄은 왼쪽에서 오른쪽으로 읽습니다. 수식은 위아래로도 읽어야 합니다. 분수는 항을 위아래로 쌓고, 지수와 아래 첨자는 기준선에서 벗어나며, 합의 상한과 하한은 기호의 위와 아래에 놓입니다. 그리스 문자와 연산자는 대부분의 OCR 모델이 예상하는 문자 집합 밖에 있습니다.

보통 결과는 문자와 숫자가 뒤섞인 순서이거나, 수식이 아예 빠지는 것입니다. 변수 이름을 검색하면 페이지는 찾을 수 있습니다. 수식을 노트에 그대로 옮기면 제대로 되는 경우는 드뭅니다.

복사한 수식의 모습

분자에 제곱항이 있고 분모에 아래 첨자가 붙은 변수가 있는 분수를 예로 듭니다. 텍스트 레이어에서는 분자와 분모가 서로 다른 줄로 나뉘는 경우가 많고, 지수는 변수 뒤의 일반 숫자로 나타납니다. '제곱'을 뜻하던 2가 계수와 구별되지 않게 됩니다.

(3.14)처럼 여백에 있는 수식 번호는 보통 남습니다. 기준선에 놓인 일반 숫자이기 때문입니다. 수식 번호를 검색해 페이지를 찾은 뒤, 수식은 이미지에서 읽습니다.

각주는 작고 순서가 뒤섞입니다

각주와 캡션은 본문보다 작게 조판됩니다. 화면 해상도에서 작은 글자는 높이가 몇 픽셀에 불과할 수 있고, rn과 m, 1과 l처럼 모양이 비슷한 글자를 구별하기 어려워집니다.

각주는 또한 페이지 아래쪽에 있어 본문의 표시 위치와 멀리 떨어져 있습니다. OCR은 위치 순서대로 읽으므로, 각주가 전혀 관련 없는 두 문단 사이에 나타날 수 있습니다.

픽셀 높이가 가장 큰 변수

9포인트 각주는 표준 디스플레이에서 배율 100%일 때 높이가 약 12픽셀입니다. Retina 디스플레이에서는 한 포인트가 두 픽셀이므로 같은 글자가 약 24픽셀이 됩니다. Retina에서 리더 배율을 150%로 올리면 약 36픽셀이 됩니다.

배율을 올리는 비용은 프레임 수입니다. 150%에서는 강의 노트의 한 페이지가 화면에 들어가지 않으므로 페이지마다 프레임 2개가 필요합니다. 120쪽은 240프레임이 되고, 실행 시간은 두 배가 됩니다.

위첨자 표시와 비슷한 글자

각주 표시는 각주 본문보다 더 작습니다. 단어 뒤의 위첨자 3은 단어와 붙어서, 텍스트 레이어에 result 대신 result3가 나타나는 경우가 많습니다. 그러면 result로 검색했을 때 그 부분이 빠집니다.

혼동되기 쉬운 글자쌍은 rn과 m, cl과 d, 1과 l, 0과 O입니다. 이 쌍을 포함한 단어는 그렇지 않은 단어보다 검색이 덜 안정적입니다. 이 글 뒤의 점검에서 실패한 각주 단어는 "modern"이었고, 텍스트 레이어에는 rnodern으로 들어 있었습니다.

표는 행과 열 구조가 필요합니다

OCR은 텍스트 줄을 출력합니다. 표에는 행과 열이 필요합니다. 셀 테두리는 줄 감지를 혼란스럽게 하고, 간격이 좁은 열은 하나의 문자열로 합쳐지기도 합니다.

숫자는 보통 문자로 인식됩니다. 그러나 행과 열의 순서는 보존되지 않는 경우가 많아, 복사한 표에서 값이 잘못된 셀에 놓일 수 있습니다.

표 하나를 직접 다시 만들기

강의 노트에는 표가 14개 있습니다. 그중 3개에만 연습문제에서 쓰는 값이 있으므로, 이 3개만 다시 만들 가치가 있습니다. 표 하나를 잘라서 캡처하면 주변 텍스트가 없는 깔끔한 입력을 추출 도구에 줄 수 있습니다.

6열, 12행짜리 표는 이 방법으로 다시 만들고 확인하는 데 약 10분이 걸립니다. 이미지를 보고 직접 입력하는 방법도 작은 표에서는 비슷한 시간이 걸립니다. 추출은 열이 적고 행이 긴 표에서 가장 도움이 됩니다.

이미 이미지인 표

일부 문서는 표를 텍스트가 아니라 그림으로 넣습니다. 화면에서는 텍스트 표와 똑같아 보입니다. 스크린샷에서도 차이가 없습니다. 모든 캡처가 이미지이기 때문입니다.

차이는 원본에서 드러납니다. 리더에서도 표의 텍스트를 선택할 수 없다면, 원본에서 표가 이미지였을 가능성이 높습니다. 이때 해상도는 출판사가 정한 값으로 고정되어 있으며, 확대해도 같은 픽셀이 커질 뿐입니다. 이런 표는 배율과 관계없이 OCR 결과가 나쁘므로, 핵심 값을 직접 입력하는 편이 더 빠릅니다.

도표 레이블은 도표가 아닙니다

그림 안의 레이블은 짧고, 회전되어 있거나, 도형과 선 위에 놓여 있습니다. OCR은 이를 건너뛰거나, 이웃한 글자와 합치거나, 차트의 축을 문자로 읽기도 합니다. 화살표, 곡선, 구조 같은 그림 자체는 텍스트가 되지 않습니다.

학습할 때는 그림을 캡션이 붙은 이미지로 다룹니다. 그림 안이 아니라 캡션의 단어를 검색합니다.

대신 그림 색인 만들기

강의 노트의 도표 22개는 레이블로 찾을 수 없습니다. 일반 텍스트 색인을 만들면 약 20분에 해결됩니다. 각 줄에는 그림 번호, 쪽수, 그림이 보여 주는 내용을 설명하는 단어 3개에서 4개를 적습니다.

예를 들어 "Fig 5.2, page 63, demand curve shift, price ceiling"이라는 줄이 있습니다. 색인에서 "price ceiling"을 검색하면 쪽수가 나오고, 그 페이지를 PDF에서 열면 됩니다. 이 색인은 PDF를 검색할 수 없는 앱에서도 검색할 수 있습니다.

작은 글씨로 된 캡션은 각주와 같은 이유로 OCR에 실패하는 경우가 많습니다. 색인은 이런 경우도 포함합니다.

요소별 실패 유형 요약

아래 표는 요소 유형별 동작을 한곳에 모은 것입니다. 각 요소에 대해 텍스트 레이어 대신 사용할 방법도 함께 적었습니다.

실용적인 검증 절차

1. 본문 검색

   Preview에서 PDF를 열고 문단 중간의 구문을 검색합니다. 올바른 페이지에서 일치해야 합니다.

2. 각주 단어 검색

   각주나 캡션에서 드문 단어를 고릅니다. 검색에 실패하면 작은 글씨가 약한 지점이라는 뜻입니다.

3. 수식 복사

   수식을 드래그해 텍스트 편집기에 붙여넣습니다. 빈틈이나 뒤섞인 기호는 텍스트 레이어가 수식을 얼마나 담고 있는지 보여 줍니다.

4. 표 행 복사

   표의 행 하나를 붙여넣고 이미지와 비교합니다. 값이 열 안에 그대로 있는지 확인합니다.

5. 2단 페이지 확인

   왼쪽 단의 문단을 복사합니다. 붙여넣은 내용에 오른쪽 단의 단어가 있으면 읽기 순서가 섞인 것입니다.

단일 그림이나 표는 잘라서 캡처한 뒤 Extract Text from Image를 실행해 읽을 수 있는 내용을 확인하고, 손으로 고칩니다.

120쪽 전부 대신 페이지 샘플 확인하기

120쪽 PDF의 모든 페이지를 확인하면 몇 시간이 걸립니다. 10쪽 샘플로 같은 취약점을 약 15분 안에 찾을 수 있습니다. 처음 10쪽이 아니라 요소 유형별로 각각 포함되는 페이지를 고릅니다.

이 예시에서는 본문 구문 3개가 모두 일치했고, 각주 단어 3개 중 2개가 일치했습니다. 수식 2개는 모두 뒤섞여 나왔고, 표 행 3개 중 1개는 값이 잘못된 셀에 있었습니다. 이 결과는 이 글 끝의 검토 메모에 바로 기록합니다.

점검 결과마다 조치하기

실패한 점검마다 조치 하나가 대응합니다. 본문 구문이 빠진 경우만 새로 캡처할 근거가 됩니다. 본문은 검색의 대상이기 때문입니다. 나머지 실패는 PDF 바깥에서 처리합니다.

• 본문 구문 누락: 배율과 테마를 확인한 뒤 아래 설정으로 다시 캡처함
• 각주 단어 누락: 다른 단어로 검색하고, 취약한 페이지를 검토 메모에 기록함
• 수식 뒤섞임: 필요한 수식을 다시 입력하고, 수식 번호로 검색함
• 표 행 순서 오류: 연습문제에 쓰는 표를 스프레드시트로 다시 만듦
• 2단 페이지 복사 결과 뒤섞임: 해당 페이지에서는 단어 단위로 검색하거나 각 단을 따로 캡처함

예시에서는 수식과 표 1개만 작업이 필요했습니다. PDF는 캡처한 상태 그대로 유지되었습니다.

점검에 쓰는 Preview 단축키

점검은 Preview에서 몇 가지 키로 진행합니다. 텍스트 편집기를 옆에 열어 두면 붙여넣기 확인이 빨라집니다.

캡처 전에 인식 개선하기

OCR 문제 대부분은 글자 하나가 받는 픽셀 수에서 시작합니다. 이 값은 내보내기 전에 조정할 수 있습니다.

• Retina 디스플레이 사용: Retina 스크린샷은 논리 창 크기보다 한 변당 약 두 배의 픽셀을 저장함
• 배율 높이기: 리더의 배율을 올려 본문이 기본값보다 확실히 크게 보이도록 함. 각주가 가장 많이 개선됨
• 한 단만 캡처: 한 단 주변에 Custom Area를 그리거나, 리더가 제공하면 단일 단 보기를 사용함
• 렌더링 대기: Auto Capture 간격을 길게 설정해 절반만 로드된 텍스트를 막음
• 밝은 테마 사용: 어두운 배경과 색이 있는 강조 띠는 명암 대비를 낮춤

Temposhot은 디스플레이가 제공하는 해상도로 화면에 보이는 것을 캡처합니다. 리더가 렌더링하지 않은 세부는 복구할 수 없습니다.

강의 노트용 캡처 절차

노트는 PDF 리더에서 연속 스크롤 보기, 배율 150%로 엽니다. Down Arrow 키는 한 번에 몇 줄만 움직이므로, Page Down이 더 적합합니다. Page Down은 한 번에 약 한 화면을 이동합니다. Custom Area는 페이지 너비만 포함하고, 리더의 도구 모음과 사이드바는 제외합니다.

1.2초 간격은 다음 프레임을 찍기 전에 리더가 각 화면을 완전히 렌더링할 시간을 줍니다. 10초 카운트다운은 1쪽으로 스크롤하고 리더를 클릭해 키 입력을 받을 시간을 줍니다. 전체 240장을 실행하기 전에 짧은 실행으로 처음 10장을 테스트합니다.

각 반복은 스크린샷을 저장하고, 키를 보낸 뒤, 간격만큼 기다립니다. 따라서 프레임은 렌더링 시간이 한 간격만큼 지난 뒤에 찍힙니다. 프레임에 아직 흐릿한 자리표시자 텍스트가 보이면 간격을 2초로 올립니다. 실행 시간은 약 5분에서 8분으로 늘어나며, 이는 다시 캡처하는 것보다 저렴합니다.

Key press는 Temposhot Pro 기능이며, 무료 요금제는 세션당 스크린샷 수를 제한합니다. 무료 요금제에서는 세션마다 더 짧은 범위를 캡처하거나, 짧은 실행 사이에 직접 페이지를 넘깁니다.

긴 실행 전에 화면 확인하기

처음 프레임의 렌더링 문제는 그 뒤의 모든 프레임에서 반복됩니다. 긴 실행 전에 짧은 체크리스트를 확인하면 두 번째 캡처를 피할 수 있습니다.

Temposhot의 캡처 PDF는 선택한 프레임을 순서대로 합치고 OCR을 실행합니다. 무료 브라우저 도구 Screenshot to Searchable PDF는 이미 있는 스크린샷에 같은 작업을 수행합니다.

복사 제한을 우회하는 OCR은 하지 않음

Temposhot의 OCR은 사용자가 저장해도 되는 페이지를 대상으로 합니다. 본인의 자료나 개인 사본이 라이선스로 허용된 도서가 예입니다.

Temposhot은 DRM으로 보호된 콘텐츠나 화면 캡처를 차단하는 앱의 내용도 캡처할 수 없습니다. 이런 소스는 검은 프레임을 만들며, OCR이 읽을 내용이 없습니다.

파일과 함께 보관할 검토 메모

내보낸 PDF마다 옆에 짧은 메모를 남기거나, Document의 첫 페이지에 적습니다.

• 원본 판과 페이지 범위
• 캡처 날짜와 배율
• 알려진 OCR 누락 항목. 예: "14쪽에서 18쪽의 수식은 검색되지 않음"
• 원본과 대조해 확인한 페이지

이 메모는 몇 달 뒤에도 어떤 페이지는 검색 결과를 믿어도 되고 어떤 페이지는 이미지로 읽어야 하는지 알려 줍니다.

강의 노트의 메모

예시 PDF의 메모는 여섯 줄입니다. 원본, 캡처 설정, 15분 점검 결과를 기록합니다. 작성에는 약 3분이 걸립니다.

• 원본: 강의 노트, 2판, 1쪽부터 120쪽까지, 공개 라이선스
• 2026-03-02에 Retina 디스플레이에서 배율 150%로 캡처, 240프레임
• 본문 검색: 구문 3개 중 3개 찾음
• 각주: 단어 3개 중 2개 찾음. 비슷한 모양의 글자에서 실패함
• 수식: 검색되지 않음. 다시 입력한 목록은 equations-retyped.md에 있으며, 수식 번호로 검색함
• 표 2.3, 4.1, 7.2는 다시 만들고 검증함. 나머지는 확인하지 않음

메모와 수정본을 한 폴더에 보관하기

PDF, 메모, 다시 만든 표는 함께 보관합니다. 고정된 폴더 구조는 신뢰할 수 있는 부분을 쉽게 찾게 합니다. 아래 예시는 강의 노트를 사용합니다.

PDF 파일명에 배율을 넣으면 캡처 방식이 기록됩니다. 배율이 다른 나중 캡처의 검색 결과가 더 좋으면 두 파일을 쉽게 구별할 수 있습니다.

FAQ

왜 페이지는 찾지만 정확한 구문은 찾지 못하나요

줄바꿈, 하이픈, 섞인 읽기 순서가 텍스트 레이어에서 구문을 나눕니다. 대신 드문 단어 하나를 검색합니다.

JPG 품질을 높이면 OCR이 개선되나요

조금 개선됩니다. 해상도가 훨씬 중요합니다. 배율과 Retina 디스플레이가 내보내기 품질보다 훨씬 큰 향상을 줍니다.

텍스트 레이어를 직접 고칠 수 있나요

PDF 안에서 실용적인 방법으로는 어렵습니다. 중요한 수식과 표 값은 노트에 직접 입력하고, PDF는 참고용으로 보관합니다.

150% 배율로 캡처하면 PDF가 커지나요

네. 페이지마다 프레임 1개 대신 약 2개가 필요하고, 각 프레임은 글자당 더 많은 픽셀을 담습니다. 파일 크기를 작게 유지해야 한다면 사본에 Compress PDF를 실행하고, 검색용으로는 원본 해상도 PDF를 보관합니다.

이미 이미지로 내보낸 프레임을 OCR할 수 있나요

네. PNG 또는 JPG 파일을 페이지 순서대로 Screenshot to Searchable PDF에 업로드합니다. 텍스트 인식을 실행하고, 검색과 복사가 가능한 PDF를 반환합니다. 같은 제한이 적용됩니다. 수식, 각주, 표, 도표 레이블은 이 글의 점검이 여전히 필요합니다.

어두운 모드 캡처에도 OCR을 실행해야 하나요

덜 안정적으로 작동합니다. 어두운 배경의 밝은 글자는 대부분의 모델에서 명암 대비를 낮추며, 색이 있는 강조 표시는 이를 더 나쁘게 만듭니다. 캡처 전에 리더를 밝은 테마로 전환합니다.

저장이 허용된 페이지로 작업하나요?

더 높은 배율로 캡처하고, 첫 내보내기에서 위의 점검을 실행합니다. 스크린샷을 PDF로 저장 페이지에 전체 절차가 나와 있습니다.