PDF를 워드로 변환하기

PDF 안에는 문단이 없습니다. 들어 있는 것은 글리프, 즉 글꼴 참조와 페이지 위 좌표를 가진 낱낱의 글자 모양뿐입니다. 문장도 제목도 목록도 저장되어 있지 않고, 그것들은 여백을 보고 읽는 사람의 눈이 조립해 내는 것입니다. 그래서 세상에 존재하는 모든 PDF 변환 도구는, 저희 것을 포함해 번역이 아니라 재구성을 합니다. 좌표에 놓인 수천 개의 글자를 읽고 어느 것이 같은 줄에 속하는지, 어떤 줄들이 한 문단을 이루는지, 어느 문단이 원래 제목으로 쓰인 것인지 추측하는 것입니다. 이 한 가지 사실을 알면 결과의 거의 전부가 설명됩니다. 잘 정리된 보고서가 깔끔하게 변환되는 이유도, 2단 조판 논문이 뒤엉켜 나오는 이유도, 스캔한 계약서가 어떤 도구를 써도 빈 문서를 내놓는 이유도 모두 여기서 나옵니다.

변환 도구가 실제로 읽는 것

PDF의 텍스트 층은 그리기 명령의 목록입니다. 명령 하나하나는 결국 이렇게 말합니다. 이 글꼴의 이 글자열을 이 가로세로 좌표에 이 크기로 놓아라. 변환 도구는 그 목록을 훑으면서 묶기 시작합니다. 작은 허용 범위 안에서 같은 기준선을 공유하는 글자들이 한 줄이 됩니다. 세로 간격이 주변 줄간격과 맞는 줄들은 한 문단이 되고, 눈에 띄게 큰 공백이 나오면 문단이 끝납니다. 페이지에서 가장 많이 쓰인 본문 크기와 비교해 글자가 크고 굵은지가 제목 판정이 됩니다. 본문보다 40퍼센트쯤 크고 뒤에 평범한 문단이 이어지는 줄은 거의 틀림없이 제목이며, 워드 문서에는 굵은 글씨가 아니라 진짜 제목 스타일로 기록됩니다. 줄머리의 기호나 번호가 있고 아래 줄에 일정한 들여쓰기가 이어지면 목록 항목이 됩니다. 이 가운데 파일에 적혀 있는 것은 하나도 없습니다. 전부 추론이고, 그 추론의 질이 곧바로 쓸 만한 문서와 흩어진 줄 더미의 차이를 만듭니다.

재구성이 무너지는 자리

세 가지 편집 형태가 이 전제를 깨뜨립니다. 첫째는 여러 단으로 나뉜 페이지입니다. 나란히 놓인 두 단은 기준선을 공유하므로, 순진하게 읽으면 왼쪽 단의 줄에 오른쪽 단의 줄을 이어 붙여 뜻이 통하지 않는 문장이 만들어집니다. 제대로 하려면 단 사이의 여백을 찾아내고 한 단을 끝까지 읽은 다음 옆으로 넘어가야 합니다. 둘째는 표입니다. 표란 좌표에 놓인 글자와, 경우에 따라 선이 더해진 것에 지나지 않습니다. 선이 아예 없는 표도 드물지 않아서, 해석하는 쪽에서 보면 표와 가지런히 정렬된 숫자 목록은 구별되지 않습니다. 셋째는 번호가 붙은 제목입니다. 1. 용역의 범위처럼 시작하는 줄은 번호 매기기 목록의 첫 항목과 똑같이 생겼고, 도구 안에서 제목 판정과 목록 판정 가운데 무엇을 먼저 돌리느냐가 결과를 정합니다. 저희도 여기서 걸려서 제목 판정을 목록 판정 앞으로 옮겼습니다. 사람들이 실제로 변환하는 문서에서는 항목이 하나뿐인 목록보다 번호 붙은 제목이 훨씬 흔하기 때문입니다.

스캔한 PDF는 아무것도 내놓지 않으며 그것이 정직한 답입니다

페이지가 스캐너나 휴대전화 카메라에서 온 것이라면 그 안에는 커다란 이미지 하나가 있을 뿐 텍스트 층은 전혀 없습니다. 묶을 글자가 없으니 재구성할 것도 없습니다. 도구가 할 수 있는 일은 둘뿐입니다. 빈 문서를 돌려주거나, 광학 문자 인식을 돌려 화소에서 글자를 지어내거나. 저희는 문자 인식을 하지 않기 때문에, 백지 세 장이 든 워드 파일을 건네는 대신 파일을 받지 않고 이유를 설명합니다. 이는 보기보다 중요합니다. 실제 서류로 시험해 보니 읽을 수 있는 PDF 다섯 건 가운데 세 건이 스캔이었습니다. 손에 든 파일이 그쪽이라면 정직한 다음 단계는 문자 인식 도구이고, 그 결과물은 복원된 본문이 아니라 교정해야 할 초고로 다뤄야 합니다. 문자 인식은 모양을 보고 글자를 추측하며, 자신 있게 틀리는 것이 그 도구의 평소 실패 방식입니다.

글꼴, 문자 코드, 그리고 글자가 깨지는 문제

조용한 두 번째 고장도 있습니다. 글자 대응표입니다. PDF는 글꼴의 일부만 자체 내부 번호와 함께 심어 넣고, 그 번호를 원래 글자로 되돌리는 표를 함께 넣을 수 있습니다. 그 표가 빠졌거나 잘못되어 있으면, 오래된 조판 프로그램에서 나온 파일이나 인쇄 과정에서 한글 글자가 바뀐 문서에서 흔한 일인데, 뽑아낸 본문은 그럴듯한 쓰레기로 나옵니다. 단어의 모양은 맞는데 글자가 다른 것입니다. 정보 자체가 파일에 없으므로 변환 도구가 고칠 방법은 없습니다. 알아보는 방법은 간단합니다. 같은 문서는 PDF 뷰어에서도 검색되지 않습니다. 화면에 또렷이 보이는 낱말을 찾아보고 뷰어도 찾지 못한다면 대응표가 깨진 것이며, 어떤 도구를 써도 같은 엉킴이 나옵니다. 그때 필요한 것은 PDF가 아니라 원본 문서 파일입니다.

믿기 전에 확인할 네 가지

워드 파일을 열고 순서대로 네 가지를 확인하세요. 첫째, 본문이 올바른 순서로 흐르는가. 첫 페이지를 끝까지 읽어 보십시오. 단 뒤섞임은 거기서 대번에 드러나고 훑어보기만 해서는 전혀 보이지 않습니다. 둘째, 제목이 진짜 제목인가. 하나를 눌러 스타일 칸을 보십시오. 제목 1이라고 되어 있으면 목차를 다시 만들 수 있고, 표준이라고 되어 있으면 굵은 본문이 있을 뿐입니다. 셋째, 표가 있다면 값이 옆 칸으로 밀리지 않았는지 보십시오. 넷째, 문서 한가운데 있다고 알고 있는 숫자, 이를테면 합계나 날짜나 청구 내역 한 줄을 검색해 살아남았는지 확인하십시오. 사라진 내용은 가장 비싼 대가를 치르게 하면서 가장 눈에 띄지 않는 고장이기 때문입니다. 저희 검증 묶음이 매번 빌드마다 바로 이 마지막 확인을 돌리는 이유도, 사람 검토자가 건너뛰는 항목이 정확히 그것이기 때문입니다.

어떤 문서가 잘 변환되는가

실용적인 기준이 있습니다. 문서가 워드프로세서나 행정 시스템에서 처음부터 디지털로 만들어졌고 단이 하나라면, 결과는 대개 그대로 편집할 수 있습니다. 계약서, 공문, 각종 증명서, 거래 명세, 보고서가 여기에 듭니다. 반면 디자인이 많은 홍보물, 잡지 지면, 2단 논문, 편집 프로그램 파일은 형식이 아니라 글자만 건져집니다. 판을 다시 짜는 일은 여러분 몫으로 남습니다. 어느 쪽인지 가장 빨리 가리는 방법은 PDF 뷰어에서 커서로 한 문장을 선택해 보는 것입니다. 문장이 선택되면 텍스트 층이 있어 변환할 수 있고, 페이지 전체가 한 덩어리로 선택되면 손에 든 것은 이미지입니다.