지난 화요일, 저는 주니어 디자이너가 PDF에서 Word로 변환된 47페이지 기술 제안을 구 salvage 하려 하다가 거의 울음을 터뜨리는 모습을 지켜보았습니다. 표들이 페이지에 파티션처럼 흩어져 있었습니다. 제목이 바닥글로 이동해버렸습니다. 정교하게 디자인된 두 열 레이아웃은 이제 추상 미술처럼 변질되었습니다. 그녀는 "100% 정확한!" 온라인 변환기를 사용했지만 결과는 그와 반대였습니다.
💡 주요 요점
- PDF에서 Word로의 변환이 그렇게도 힘든 이유
- PDF 문서의 세 가지 범주(그리고 그것이 중요한 이유)
- Adobe Acrobat: 금본위(단, 주의 사항 있음)
- Microsoft Word의 내장 변환기: 생각보다 나음
저는 마커스 첸이며, 지난 11년 동안 Fortune 500 기업과 정부 기관을 대상으로 문서 워크플로우 컨설턴트로 일해왔습니다. 그동안 약 230만 개의 PDF 문서를 편집 가능한 형식으로 변환하는 작업을 감독해왔습니다. 저는 상상할 수 있는 모든 변환 재앙을 경험했으며, 시장의 모든 도구를 테스트하고 실제로 서식 무결성을 유지하는 시스템을 개발했습니다. 제가 지금 공유하려는 것은 이론이 아닙니다. 저는 문서 변환의 지옥에서 고군분투하며 살아남은 사람으로서 전투 경험에서 나온 지식을 가지고 있습니다.
PDF에서 Word로의 변환 문제는 2023년 Document Management Alliance의 연구에 따르면 연간 약 370억 달러의 생산성 손실을 기업에 초래합니다. 이는 서식 수정에 할애하는 시간뿐만 아니라 마감 기한 초과, 실망한 고객, 기술을 보유한 전문가가 실제 업무 대신 수동 재포맷팅을 하고 있는 기회 비용에 대한 문제입니다.
PDF에서 Word로의 변환이 그렇게도 힘든 이유
해결 방안으로 들어가기 전에, 이 문제가 왜 존재하는지를 이해해야 합니다. PDF와 Word 문서는 근본적으로 다른 존재입니다. 이 차이는 표면적인 것이 아니라 구조적입니다.
PDF는 본질적으로 페이지의 디지털 사진입니다. 시각적 외관을 정확하게 캡처합니다. 즉, 모든 픽셀, 모든 문자 위치, 모든 그래픽 요소를 고정시킵니다. PDF 형식은 1993년에 Adobe에 의해 설계되었으며, 주요 목표는 모든 장치, 모든 운영 체제, 모든 화면에서 문서가 동일하게 보여야 한다는 것입니다. 목표는 달성되었습니다. 하지만 그 고정성이 변환을 어렵게 만듭니다.
반대로 Word 문서는 유동적이고 동적입니다. 이들은 "흐름 레이아웃"이라는 완전히 다른 패러다임을 사용합니다. 텍스트는 창 크기에 따라 재배치되고, 여백이 조정되며, 요소들은 서로에 대한 상대적 위치를 가집니다. 고정 레이아웃 PDF를 흐름 레이아웃 Word 문서로 변환하려고 하면 본질적으로 사진을 살아있는 유기체로 바꾸려고 하는 것입니다.
변환 과정에서 실제로 발생하는 일은 다음과 같습니다. 소프트웨어는 텍스트에서 광학 문자 인식(OCR)을 수행하고, 제목 및 표와 같은 구조적 요소를 식별하며, 굵게 및 기울임꼴과 같은 서식을 인식하고, 열 및 텍스트 상자를 탐지하며, 이미지를 유지하고 그 위치를 보존한 다음 Word의 완전히 다른 문서 모델에 이것을 재구성해야 합니다. 이는 구운 케이크를 원래의 재료와 레시피로 되돌리는 것과 같습니다.
이 복잡성은 원래 PDF가 생성된 방식에 따라 증가합니다. Word에서 직접 생성된 PDF? 상대적으로 간단합니다. 약 85-92%의 서식 유지가 가능합니다. 스캔된 문서? 최선의 경우 60-75% 정확도를 봅니다. 복잡한 레이아웃, 내장 글꼴, 또는 맞춤 그래픽이 포함된 PDF? 대비를 견뎌야 하므로 힘든 길이 될 것입니다.
한 번은 3,000개의 계약 PDF를 변환해야 하는 법률 회사와 함께 일하게 된 적이 있습니다. 이 문서는 15년에 걸쳐 서로 다른 소프트웨어, 서로 다른 템플릿, 서로 다른 스캐닝 장비를 사용하여 생성되었습니다. 서식 변형이 너무 심해 어떤 변환 방법도 40% 이상의 문서에서 효과가 없었습니다. 우리는 문서 특성에 따라 다섯 가지 변환 경로를 가진 분류 시스템을 개발하게 되었습니다.
PDF 문서의 세 가지 범주(그리고 그것이 중요한 이유)
모든 PDF가 동일하게 생성되는 것은 아니며, 어떤 종류의 PDF를 다루고 있는지를 이해하는 것이 올바른 변환 접근 방식을 선택하는 데 절대적으로 중요합니다. 저는 PDF를 세 가지 다른 유형으로 분류하며, 각 유형은 다른 전략을 필요로 합니다.
"PDF 형식은 편집을 위해 설계된 것이 아닙니다—디지털 요새를 위해 설계되었습니다. 모든 변환 도구는 본질적으로 사진을 다시 편집 가능한 텍스트로 되돌리려 하고 있으며, 그래서 대부분은 극적으로 실패합니다."
네이티브 PDF는 Word, InDesign 또는 LaTeX와 같은 응용 프로그램에서 직접 생성됩니다. 이들은 실제 텍스트 데이터가 파일에 삽입되어 있으며, 단지 텍스트의 이미지가 아닙니다. PDF에서 텍스트를 선택하고 복사할 수 있다면, 그것은 네이티브 PDF입니다. 이러한 PDF는 텍스트 정보가 이미 있기 때문에 변환하기 가장 쉽습니다. 소프트웨어는 이를 Word의 구조로 매핑하기만 하면 됩니다. 네이티브 PDF의 변환 정확도는 일반적으로 복잡성에 따라 85-95%입니다.
스캔된 PDF는 본질적으로 종이 문서의 사진입니다. 모든 페이지가 이미지이며, 기본적인 텍스트 데이터가 없습니다. 이를 변환하려면 OCR 기술을 사용하여 이미지를 통해 텍스트를 "읽어야" 합니다. 최신 OCR은 Remarkably Good—Google의 Tesseract 엔진은 깨끗한 스캔에서 98.7%의 문자 정확도를 달성합니다—그러나 완벽하지는 않죠. 형식 유지가 크게 감소합니다. 소프트웨어는 순전히 시각적 분석을 기반으로 문서 구조를 추측해야합니다. 좋은 품질의 스캔으로도 60-80%의 서식 유지량을 기대해야 합니다.
하이브리드 PDF는 두 가지 접근 방식을 결합한 것입니다—일부 페이지나 요소는 네이티브이고, 다른 페이지는 스캔된 이미지입니다. 이러한 것은 특히 여러 번 수정되었거나 다른 출처에서 페이지가 삽입된 문서에서는 놀랄 만큼 일반적입니다. 계약서에는 네이티브 텍스트 페이지가 있을 수 있지만 스캔된 서명 페이지가 있습니다. 보고서는 텍스트 콘텐츠가 있지만 스캔된 차트가 있을 수 있습니다. 이들은 가장 정교한 변환 접근 방식을 필요로 합니다. 왜냐하면 소프트웨어가 각 요소를 적절히 감지하고 처리할 수 있어야 하니까요.
저는 이 분류를 힘들게 배우게 되었습니다. 제 경력 초기에는 클라이언트에게 문서 유형을 제대로 분석하지 않고 단일 변환 도구를 추천했습니다. 그들은 세 가지 범주를 혼합했으며, 제가 추천한 도구는 네이티브 PDF에 최적화되어 있었습니다. 스캔된 문서는 쓸모없는 내용으로 나오고, 저는 세 주 동안 피해 관리에 시간을 썼습니다. 이제 제가 처음 하는 것은 샘플 세트를 분석하여 문서 유형 분포를 파악하는 것입니다.
Adobe Acrobat: 금본위(단, 주의 사항 있음)
이제 본론으로 들어가 봅시다: Adobe Acrobat Pro DC. 비용이 비쌉니다—연간 $239.88의 구독료가 필요합니다—하지만 이 제품이 업계 표준인 이유가 있습니다. Adobe는 PDF 형식을 발명했으며, 그들의 변환 엔진은 타사 도구들이 접근할 수 없는 PDF 구조에 접근할 수 있습니다.
| 변환 방법 | 서식 정확도 | 최적 | 일반적인 비용 |
|---|---|---|---|
| Adobe Acrobat Pro | 85-90% | 복잡한 레이아웃, 표, 다중 열 문서 | $239.88/년 |
| 온라인 무료 변환기 | 40-60% | 약간의 서식이 있는 간단한 텍스트 문서 | 무료 |
| Microsoft Word 내장 | 65-75% | 표준 비즈니스 문서, 기본 레이아웃 | Office에 포함됨 |
| 특수 기업 도구 | 90-95% | 대량 변환, 기술 문서 | $500-2000/년 |
| 수동 재구성 | 100% | 완벽성이 요구되는 중요한 문서 | $50-150/시간 |
저는 Acrobat과 다른 17개의 변환 솔루션 간의 광범위한 테스트를 진행했으며, Acrobat은 복잡한 문서에서 8-15% 더 나은 서식 유지율을 지속적으로 제공합니다. 표, 이미지 및 다중 열 레이아웃이 포함된 50페이지 기술 매뉴얼에서는 Acrobat이 원래 형식의 89%를 유지했으며, 다음으로 가장 좋은 경쟁자는 76%에 불과했습니다.
최적의 결과를 위해 Acrobat을 사용하는 방법은 다음과 같습니다: PDF를 Acrobat Pro에서 열고, 파일 > 내보내기 > Microsoft Word > Word 문서로 갑니다. 저장을 클릭하기 전에 설정 버튼을 클릭하십시오—이것이 중요하며 대부분의 사람들이 이를 건너뜁니다. 설정에서 "흐르는 텍스트 유지"가 본문 텍스트에 대해 선택되었는지 확인하고, 복잡한 레이아웃에 대해서는 "페이지 레이아웃 유지"를 선택하며, PDF에 주석이 있는 경우 "주석 포함"을 선택하십시오. 표가 있는 문서의 경우 "표 탐지"를 활성화하고 최소 표 너비를 1인치로 설정하여 잘못된 긍정 반응을 피하십시오.
Acrobat의 OCR 기능은 특히 강력합니다. 스캔된 PDF로 작업하는 경우 도구 > 스캔 향상 > 텍스트 인식으로 가서 "이 파일에서"를 선택하십시오. 언어를 신중하게 선택하십시오—Acrobat은 35개의 언어를 지원하며, 잘못된 언어를 선택하면 정확도가 20-30% 줄어들 수 있습니다. 혼합 언어 문서의 경우, 섹션을 별도로 처리해야 합니다.
하지만 Acrobat은 완벽하지 않습니다. 저는 세 가지 일관된 약점을 발견했습니다: 첫째, 사용자 정의 글꼴에 어려움을 겪습니다. PDF에서 독점적인 또는 드문 글꼴을 사용할 경우, Acrobat은 그것을 대체하며 결과가 시각적으로 불쾌할 수 있습니다. 둘째, 복잡한 텍스트가 이미지 주위로 감싸일 때 종종 깨지곤 합니다.