브라우저에서 PDF 텍스트 추출이 작동하는 방식
브라우저에서 PDF 텍스트 추출이 작동하는 방식
PDF 문서에서 텍스트 추출은 전통적으로 데스크톱 소프트웨어나 클라우드 서비스가 필요했으며, 둘 다 개인 정보 보호 문제를 제기합니다. 당사 도구는 Mozilla에서 개발한 강력한 JavaScript 라이브러리인 pdf.js를 사용하여 브라우저에서 직접 PDF 바이너리 데이터를 구문 분석합니다. 즉, 문서가 장치를 벗어나지 않습니다.
OCR 기술 이해
스캔된 PDF 또는 PDF에 포함된 이미지의 경우 일반 텍스트 추출이 작동하지 않습니다. 내용이 본질적으로 사진이기 때문입니다. 바로 여기서 OCR(광학 문자 인식)이 등장합니다. 당사 도구는 Tesseract.js를 통합하여 이미지에서 텍스트를 "읽"으며 영어, 한국어, 중국어, 일본어를 포함한 여러 언어를 지원합니다.
- OCR 사용 시기: 스캔 문서, 팩스 또는 사진에서 생성된 PDF
- 일반 추출: 선택 가능한 텍스트가 있는 네이티브 PDF
- 언어 지원: 최상의 정확도를 위해 올바른 OCR 언어 모델 선택
클라이언트 측 처리가 중요한 이유
민감한 비즈니스 문서, 법률 문서 또는 개인 기록을 추출할 때 서버로 전송하면 불필요한 위험이 발생합니다. 클라이언트 측 처리는 다음을 보장합니다:
- 데이터 전송 없음: 파일이 장치에 유지됩니다
- 서버 로그 없음: 서버에 문서 기록이 없습니다
- 오프라인 기능: 로드되면 도구가 인터넷 없이 작동합니다