종이를 사진으로 담는 일은 쉽다. 그 안의 한 단락을 꺼내는 데서 어려워진다.

화소를 다시 글자로

스캔하거나 찍어 보관하면 두는 일은 쉬워지고 쓰는 일은 어려워진다. 그림 속 글자는 골라낼 수 없으므로 한 구절을 인용하려면 다시 쳐야 한다. 계약서, 청구서, 찍어 둔 책장에서 같은 문제가 되풀이된다. 이런 자료에 필요한 것은 보관이 아니라 글자처럼 다룰 수 있는 상태다.

광학 문자 인식이 메우는 자리가 그 한 단계다. Tesseract는 이 분야에서 오래된 축에 속하고, 공식 문서는 한 줄로 설명한다. 광학 문자 인식 엔진이라고. 내놓는 것은 인식 그 자체이고 완성된 프로그램이 아니어서 화면은 부르는 쪽이 만든다. 그래서 같은 엔진도 어떤 프로그램이 감쌌는지에 따라 모습이 전혀 다르다.

아래층인 만큼 가장 흔히 나타나는 곳은 다른 프로그램 속이다. 공식 저장소는 명령줄에서 쓸 수 있고 라이브러리로 다른 프로그램에 넣을 수도 있다고 적는다. 그래서 눈에 띄지 않는다. 인식 기능이 있는 프로그램을 써 본 많은 사람이 그 아래에 이것이 앉아 있는 줄 모른다. 프로젝트는 이른 시기에 HP 연구소에서 시작해 이후 공동체가 손질을 이어 왔고 Apache-2.0으로 배포된다.

결과를 좌우하는 것

첫 변수는 언어 자료다. 인식은 따로 설치하는 언어 자료로 여러 언어를 다루며 쓰는 언어만큼 넣는다. 설치 단계처럼 보이지만 실제 영향은 크다. 조합을 잘못 고르면 평범한 문장도 뜻없는 글자로 돌아온다. 두 언어가 섞인 자료에는 둘을 함께 읽어 들이는 쓰임이 있다.

방식도 관계가 있다. 인식은 신경망을 바탕으로 구현되어, 글자 모양을 하나씩 대조하던 초기 방식보다 글꼴 차이와 약간의 기울기, 스캔 잡음에 더 버틴다. 그래도 입력 품질에는 민감하다. 해상도가 낮거나 빛이 고르지 않거나 페이지가 뚜렷하게 비뚤어지면 어떤 엔진도 정확해지지 않으며, 미리 그림을 손보는 편이 나중에 고치는 것보다 쓸모가 있다.

자료가 어디로 가는지도 볼 일이다. 인식은 이 기기에서 끝나고 망이 반드시 필요하지 않다. 계약서나 신분 증명 같은 자료에서는 이 점이 인식률보다 무거울 때가 많다. 그림과 결과가 자기 기기에 남고 어딘가로 먼저 보낼 필요가 없다.

판과 넣는 길

현재 판은 5.5.3이다. 배포 화면은 소스 압축 파일과 주요 환경용 빌드를 함께 내놓고, 같은 계열 안의 판올림은 문제 수정이 중심이다. 큰 판을 건너기 전에 설명을 한 번 읽는 편이 좋다. 윈도, 맥, 리눅스 모두 빌드와 설치 안내가 있고, 대부분 리눅스 배포판 저장소에도 그대로 들어 있다.

들어가는 길은 둘이다. 명령줄은 한꺼번에 처리하는 흐름에 맞고, 수천 장을 한 번에 돌릴 수 있으며 출력 형식도 몇 가지 고를 수 있다. 라이브러리로 넣는 것은 인식을 자기 프로그램에 담고 각 단계를 세밀하게 다루려는 경우에 맞는다. 핵심은 어느 쪽이든 같고, 고르는 것은 일하는 방식이지 결과의 차이가 아니다.

인식의 한계는 대개 사진을 찍은 그 순간에 정해진다.

실무 적어 둘 것. 찍을 때는 페이지에 정면으로 향하고 빛을 고르게 하며 해상도는 본문이 읽히는 선을 바닥으로 둔다. 나중에 설정을 만지는 것보다 효과가 크다. 내용의 언어에 맞는 자료를 넣고 두 언어가 섞이면 둘 다 읽어 들인다. 명령줄로 한꺼번에 돌리기 전에 몇 장을 견본으로 돌려 출력 형식이 다음 단계와 맞는지 확인한 뒤 전체에 건다.