PDF를 워드로 바꾸면 무엇이 남고 무엇이 사라지나

이유를 알면 어떤 도구를 고를지, 어디까지 기대할지가 정해진다.

PDF는 문서가 아니라 인쇄물이다

PDF 안에 들어 있는 것은 "가로 72, 세로 680 자리에 이 글자를 찍어라" 같은 지시의 긴 목록이다. 어디서 문단이 끊겼는지, 어느 줄과 어느 줄이 한 표의 같은 행이었는지는 파일 어디에도 적혀 있지 않다.

워드에서 PDF로 내보내는 순간 그 정보가 버려지기 때문이다. 종이에 인쇄할 때 문단 정보가 필요 없는 것과 같다. 그래서 되돌리는 일은 변환이 아니라 복원이다. 글자가 놓인 자리를 보고 원래 모양을 추측하는 것이다.

이 문장 하나가 나머지를 다 설명한다. 표가 어긋나는 것은 변환기가 표를 잘못 읽어서가 아니라, 읽을 표가 애초에 없어서 자리만 보고 표를 다시 지어내기 때문이다.

추측할 수 있는 것과 아예 없는 정보

이 둘을 구분하면 무엇이 개선 가능하고 무엇이 불가능한지가 갈린다.

• 추측할 수 있는 것. 문단 구분(줄 간격과 줄 끝 위치로), 표(칸이 여러 줄에 걸쳐 줄 맞춰 섰는지로), 제목(본문보다 큰 글씨인지로). 알고리즘이 좋아지면 정확도가 올라간다.
• 그대로 꺼낼 수 있는 것. 글자, 그리고 쪽에 박혀 있는 그림과 도장. 이것들은 실물이라 추측이 필요 없다.
• 아예 없는 정보. 원본이 어떤 워드 스타일을 썼는지, 표의 셀이 어디서 합쳐졌는지, 문단 사이 여백이 몇 포인트였는지. 어떤 도구도 이건 못 만들어 낸다.

배치를 똑같이 만드는 변환기를 조심하라

변환 결과가 원본과 픽셀 단위로 똑같다고 광고하는 도구가 있다. 실제로 열어 보면 정말 똑같다. 그런데 한 줄을 고치는 순간 문서가 무너진다.

그렇게 만들려면 글자를 문단이 아니라 글상자에 담아 좌표에 박아야 하기 때문이다. 글상자 수백 개가 각자 제자리에 떠 있는 문서는 보기에는 원본이지만 편집할 수는 없다. 글자 하나를 지우면 그 상자만 줄고 나머지는 그대로 있다.

변환은 고치기 위해 하는 일이다. 고칠 수 없는 결과물은 목적을 잃는다. 원본과 똑같아 보이는 것이 목적이라면 애초에 변환할 이유가 없다.

표가 어긋나는 진짜 이유

PDF의 표에는 선이 없는 경우가 아주 흔하다. 있더라도 그 선은 글자와 다른 층에 그려져 있어서, 글을 꺼내는 쪽에서는 보이지 않는다. 선을 찾아 표를 알아내려는 방법이 자주 실패하는 이유다.

그래서 자리를 본다. 칸의 왼쪽 끝이 여러 줄에 걸쳐 같은 자리에 서 있으면 표로 본다. 이 방법은 값이 빈 칸에서 약해진다. 빈 칸은 PDF 안에 아무 흔적도 남기지 않으므로, 그 줄만 칸이 하나 적어 보이고 결과가 한 칸씩 밀린다.

합쳐진 셀도 마찬가지다. 사람 눈에는 두 칸이 합쳐진 것이 보이지만 파일 안에는 그냥 글자 하나가 조금 왼쪽에 있을 뿐이다.

스캔한 PDF는 어떤 도구로도 안 된다

복합기로 스캔해 만든 PDF는 쪽 전체가 사진 한 장이다. 사람 눈에는 글자로 보이지만 파일 안에는 글자가 한 자도 없다. 이건 도구의 성능 문제가 아니라 원본에 정보가 없는 문제다.

글자 인식(OCR)을 쓰면 만들어 낼 수는 있다. 다만 그것은 추출이 아니라 인식이라 숫자 0과 영문 O를 뒤바꾸는 식의 오류가 섞인다. 계약서나 제출 서류에서는 그 오류가 비싸다. 가능하면 발급처에 원본 파일을 요청하는 편이 빠르다.

정리하면

변환기를 고를 때 물어볼 것은 "얼마나 똑같은가" 가 아니라 "고칠 수 있는가" 다. 그리고 결과가 완벽하지 않을 때, 그것이 도구의 한계인지 형식의 한계인지 구분할 수 있으면 헛되이 도구를 갈아 끼우는 시간을 아낄 수 있다.