PDF 텍스트 복사 시 외계어·네모 깨짐 현상 원인과 해결법

Equalang

핵심 요약

화면에서는 선명한 PDF가 복사·붙여넣기 시 네모나 깨진 글자로 변하는 이유(/ToUnicode CMap 누락), 10초 폰트 진단법 및 OCR 텍스트 추출 가이드.

키워드: pdf 텍스트 복사 깨짐; pdf 글자 복사 네모 외계어; ToUnicode CMap 누락; pdffonts 진단; pdf 텍스트 추출 글자 깨짐 해결

PDF 화면에서는 글자가 아무리 선명하게 보여도 텍스트를 선택해 메모장이나 워드에 붙여넣었을 때 빈 네모(``), 알 수 없는 특수문자, 또는 밀려난 알파벳(예: "Hello"가 "Khoor"로 변환)으로 깨져 나오는 주된 원인은 임베디드 폰트 사전에 **/ToUnicode 문자 매핑 테이블(CMap)**이 없거나 손상되었기 때문입니다. PDF는 워드프로세서 문서가 아니라 PostScript 계열의 페이지 레이아웃 및 벡터 드로잉 포맷입니다. 따라서 뷰어가 모니터에 글자를 그릴 때는 서브셋 폰트에 포함된 글리프 ID(자형 번호)와 벡터 외곽선 곡선만 있으면 되며, 그 그래픽이 실제 어떤 유니코드 문자('A'에 해당하는 U+0041 등)인지 알 필요가 없습니다. 하지만 Ctrl+C나 Cmd+C를 누르는 순간 뷰어는 /ToUnicode 테이블을 참조해야 하는데, 이 매핑 정보가 없거나 스캔본 밑에 숨겨진 오래된 저품질 OCR 텍스트 레이어가 꼬여 있으면 클립보드에는 정상 문자가 아닌 원시 글리프 인덱스가 그대로 전달됩니다.

화면 렌더링 방식과 복사하기(Ctrl+C)의 동작 메커니즘 차이

화면에서는 완벽하게 읽을 수 있는 문서인데 컴퓨터가 단어 하나조차 제대로 복사하지 못하는 것은 모순처럼 느껴질 수 있습니다. 이러한 괴리가 발생하는 이유는 PDF 표준 사양(ISO 32000-1:2008 제9.10절 Extraction of Text Content)에서 화면에 페이지를 그리는 작업과 텍스트를 클립보드로 추출하는 작업이 완전히 별개의 데이터 구조를 사용하기 때문입니다.

PDF 뷰어가 화면에 한 줄의 텍스트를 표시할 때의 내부 과정은 다음과 같습니다.

  1. 페이지 콘텐츠 스트림이 내부 글리프 ID(자형 번호) 목록이 포함된 그리기 명령어를 전달합니다 (예: <0001 0002 0003> Tj).
  2. 렌더링 엔진은 파일에 포함된 서브셋 폰트에서 1번 형상, 2번 형상, 3번 형상의 베지에 벡터 곡선을 찾습니다.
  3. 정밀한 (x, y) 좌표에 해당 곡선을 그립니다. 이 단계에서 그래픽 엔진은 1번 형상이 알파벳 'T'인지, 수학 적분 기호인지, 기업 로고인지에 대해 전혀 관여하지 않습니다.

하지만 사용자가 마우스로 해당 텍스트를 드래그하고 Ctrl+C / Cmd+C를 누르면, 운영체제의 클립보드는 벡터 외곽선 데이터를 텍스트로 인식할 수 없습니다. 따라서 PDF 뷰어는 내부 글리프 ID를 표준 유니코드 코드 포인트로 변환해야 합니다.

[화면 렌더링 경로]
페이지 명령어 (<0001 0002 0003> Tj) ──► 임베디드 폰트 벡터 외곽선 ──► 모니터 위의 선명한 글자

[클립보드 복사·붙여넣기 경로]
페이지 명령어 (<0001 0002 0003> Tj) ──► 폰트 내 /ToUnicode CMap  ──► 표준 유니코드 텍스트 (U+0054 "T"...)
                                           │
                                  (누락되거나 손상된 경우)
                                           ▼
                                 빈 네모 ( ) / 외계어 특수문자 / 밀려난 글자

파일 용량을 줄이기 위해 문서에 쓰인 42개의 글자만을 추출하여 1번부터 42번까지 순서대로 번호를 매기는 **서브셋(Subsetting)**을 적용하면서 /ToUnicode 스트림을 함께 생성하지 않았다면, 뷰어는 글자를 임의로 추측할 수밖에 없습니다. 화면에서는 'T'를 정상적으로 그렸던 1번 글리프가 인쇄 불가능한 제어 문자(U+0001), 사용자 정의 영역(PUA)의 빈 네모, 혹은 잘못 매핑된 ASCII 코드로 클립보드에 복사되는 이유가 바로 여기에 있습니다.

PDF 텍스트 복사 시 외계어가 발생하는 3대 근본 원인

붙여넣은 텍스트의 깨짐 형태를 확인하면 PDF의 어느 계층이 손상되었는지 진단할 수 있습니다.

붙여넣었을 때 나타나는 증상대표적인 예시PDF 내부의 실제 원인비OCR 변환 도구로 복구 가능한가?
빈 네모, 물음표, 인쇄 불가능한 제어 문자또는임베디드 서브셋 폰트가 Identity-H나 자체 번호를 사용하며 /ToUnicode CMap이 첨부되지 않음.불가능. 파일 내에 유니코드 매핑 데이터 자체가 없습니다.
시저 암호처럼 알파벳이 일정하게 밀리거나 이상한 기호로 변함"Hello" → "Khoor" 또는 "!#$%&"커스텀 Type 1 / Type 3 폰트 인코딩 또는 출판사의 무단 복제 방지용 폰트 난독화로 인해 글리프 인덱스가 표준 ASCII/유니코드에서 벗어남.불가능. 일반 변환 도구도 클립보드와 동일한 왜곡된 테이블을 읽습니다.
단어 중간의 연속된 알파벳 누락이나 엉뚱한 기호"efficient" → "ef cient" 또는 "ef?cient"폰트 합자(Ligatures)(fi, fl, ffi 등)나 특수 수식 기호에 여러 문자로 연결되는 /ToUnicode 매핑이 누락됨.부분적으로 가능 (사후 수동 찾기/바꾸기 작업 필요).
형태가 유사한 글자들의 무작위 조합(1lI0O, 불규칙한 문장부호)"The result" → "Thc rcsult ~!"스캔본 PDF 밑에 숨겨진 불량 과거 OCR 레이어: 십수 년 전 스캐너 프로그램이 거친 OCR을 실행하여 깨끗한 스캔 이미지 뒤에 투명 쓰레기 텍스트를 심어둠.불가능. 기존 텍스트 레이어를 강제로 지우고 OCR을 다시 실행해야 함(--force-ocr).

1. 서브셋 폰트의 /ToUnicode CMap 누락 또는 손상

PDF 생성 도구는 용량 최적화를 위해 본문에 실제로 사용된 글자만 추출하는 서브셋 폰트(ABCDEF+TimesNewRoman 형식)를 적극적으로 생성합니다. 구형 LaTeX 컴파일 도구(dvips / ps2pdf), CAD 도면 내보내기 프로그램, 가상 프린터 드라이버, 그리고 논문 무단 복제를 막기 위해 폰트를 난독화하는 출판사 시스템은 글리프에 순차적 번호(0x0001, 0x0002...)를 부여하고 인코딩을 Identity-H로 지정하면서 /ToUnicode 사전을 완전히 누락시키는 경우가 많습니다.

PDF 원시 객체 스트림을 살펴보면 정상 폰트와 문제 폰트의 차이가 명확히 드러납니다.

% 정상적인 폰트 객체 (복사·붙여넣기 정상 작동)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- 글리프 ID를 유니코드로 변환하는 유효한 CMap 스트림을 참조
>>
endobj

% 손상되거나 매핑이 누락된 폰트 객체 (복사 시 외계어 발생)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- 내부 번호만 존재하고 /ToUnicode 항목이 완전히 누락됨!
>>
endobj

2. 폰트 합자(Ligatures) 및 비표준 수식·기호 인코딩

정밀한 타이포그래피(특히 LaTeX 기본 글꼴인 Computer Modern)에서는 연속된 f와 i를 하나의 합자 글리프 fi로 결합하여 표현합니다. 이 단일 글리프가 비표준 슬롯(예: 0x0C)에 할당되어 있고, 폰트 내에서 다중 문자 매핑(<000C> <00660069>)이 /ToUnicode로 정의되지 않은 경우 "first"를 복사하면 " rst"나 "?rst"처럼 글자가 누락됩니다. 그리스 문자, 마이너스 부호, 시그마 등의 수학 기호가 독자적인 Type 1 기호 폰트에 배정되었을 때도 동일한 복사 오류가 발생합니다.

3. 깨끗한 스캔본 뒤에 숨겨진 손상된 과거 OCR 텍스트 레이어

오래된 논문이나 스캔 도서의 경우 눈에 보이는 페이지는 사실 고해상도 비트맵 이미지(JPEG 또는 JBIG2)입니다. 이러한 파일에서 본문 검색이 가능하도록 과거 스캐너 소프트웨어가 이미지 위에 투명 텍스트 레이어(렌더링 모드 3 Tr)를 얹어두는 경우가 흔했습니다. 화면에서는 깨끗한 원본 이미지가 보이지만, 마우스로 드래그하여 복사할 때 실제로 클립보드에 담기는 것은 십수 년 전의 부정확한 OCR 결과물이므로 수많은 오타와 기호가 섞여 나오게 됩니다.

10초 빠른 진단: PDF 폰트 테이블 확인하기

여러 PDF 뷰어를 번갈아 열어보거나 비OCR "PDF Word 변환기"를 찾아 헤매기 전에, 폰트 테이블을 점검하면 원인을 즉시 규명할 수 있습니다.

방법 A: 터미널에서 pdffonts 실행하기 (가장 빠르고 정확)

오픈소스 Poppler 도구(macOS의 경우 brew install poppler, Ubuntu/Debian의 경우 sudo apt install poppler-utils)가 설치되어 있다면 파일에 대해 pdffonts를 실행합니다.

pdffonts document.pdf

출력 결과 중 sub(서브셋 여부)와 uni(/ToUnicode 포함 여부) 열을 확인합니다.

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: 폰트에 /ToUnicode 테이블이 포함되어 있습니다. 그럼에도 복사 시 글자가 깨진다면 매핑 테이블 자체가 의도적으로 왜곡되었거나, 투명 OCR 레이어가 손상된 상태입니다.
  • sub = yes 그리고 uni = no: 명백한 원인입니다. 폰트가 자체 인코딩으로 서브셋화되었으나 유니코드 매핑 데이터가 파일 내에 전혀 없습니다. 이 상태의 폰트 데이터 스트림에서는 어떠한 일반 PDF 뷰어나 비OCR 변환기로도 정상 텍스트를 추출할 수 없습니다.

방법 B: Adobe Acrobat Reader의 파일 > 속성 > 글꼴에서 확인하기

터미널을 사용하지 않고 GUI에서 확인하는 방법입니다.

  1. Adobe Acrobat Reader에서 해당 PDF를 엽니다.
  2. Ctrl+D(macOS는 Cmd+D)를 누르거나 **파일 > 속성**으로 이동한 뒤 글꼴 탭을 클릭합니다.
  3. 문제가 발생하는 페이지에 사용된 폰트를 펼칩니다. (포함 서브셋) 폰트의 인코딩이 사용자 지정(Custom) 또는 **Identity-H**로 표시되어 있다면(특히 Type 1, Type 3, CID 폰트인 경우), 해당 폰트가 클립보드 글자 깨짐을 일으키는 주범입니다.

깨진 PDF에서 정상 텍스트 추출 및 복원하는 방법

/ToUnicode 누락(uni = no)이나 오래된 OCR 레이어 손상이 확인되었다면, 일반적인 텍스트 복사나 단순 변환 프로그램을 사용하는 시도를 멈춰야 합니다. 이러한 도구들은 클립보드와 동일한 왜곡된 폰트 테이블을 읽기 때문입니다. 올바른 텍스트를 얻기 위해서는 PDF 내부 코드 대신 화면에 렌더링된 시각적 형태를 직접 판독하는 **광학 문자 인식(OCR)**을 적용해야 합니다.

해결책 1: 짧은 인용구는 화면 캡처 OCR로 즉시 복사

논문이나 기술 문서에서 한두 단락, 표의 행, 레퍼런스 정도만 빠르게 발췌하려는 경우:

  • macOS (미리보기 텍스트 인식 Live Text): Cmd+Shift+4로 해당 단락을 캡처한 뒤 기본 "미리보기(Preview)" 앱으로 엽니다. macOS의 라이브 텍스트는 PDF 폰트 정보를 완전히 무시하고 이미지 픽셀에서 직접 문자를 인식하므로 깨끗한 문장을 복사할 수 있습니다.
  • Windows (PowerToys 텍스트 추출기): Win+Shift+T를 눌러 화면의 PDF 단락을 드래그하면 인식된 순수 텍스트가 클립보드에 즉시 복사됩니다.

해결책 2: PDF 전체 텍스트 레이어를 ocrmypdf --force-ocr 로 재구축

수십 페이지 분량의 문서를 검색 가능하고 자유롭게 복사할 수 있는 정상 파일로 복원하려면, 오픈소스 도구인 ocrmypdf의 --force-ocr 옵션을 사용합니다. 일반 OCR 도구는 기존 텍스트 스트림이 존재하는 페이지를 건너뛰지만, --force-ocr는 페이지를 300 DPI로 래스터화한 뒤 손상된 폰트 매핑과 낡은 투명 텍스트 레이어를 강제로 제거하고 표준 유니코드 텍스트 레이어를 새로 입힙니다.

# ocrmypdf 설치 (macOS / Ubuntu)
brew install ocrmypdf
# 또는: sudo apt install ocrmypdf

# 손상된 폰트 매핑 및 불량 OCR 레이어를 강제로 제거하고 깨끗한 유니코드 레이어 생성
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

한국어와 영어가 함께 사용된 기술 매뉴얼 등의 문서라면 Tesseract 언어 파라미터(-l kor+eng)를 명시하여 실행합니다.

해결책 3: 외국어 논문·기술 문서라면 복사하지 않고 레이아웃 그대로 번역

텍스트 깨짐 현상을 겪게 되는 대표적인 계기는 2단 구성의 영문 논문이나 해외 엔지니어링 매뉴얼에서 긴 문단을 복사해 번역기에 붙여넣으려던 순간입니다.

깨진 클립보드 텍스트와 씨름하거나 합자를 수동으로 수정할 필요 없이, 시각적 레이아웃 인식을 지원하는 문서 번역 도구인 Equalang 문서 번역에 PDF를 바로 업로드할 수 있습니다 (자세한 활용법은 PDF 문서를 번역하여 좌우 대조로 읽는 방법 참조). 페이지의 시각적 배치를 기반으로 문자를 인식하므로 /ToUnicode 테이블 누락 문제를 원천 우회할 수 있으며, 다단 레이아웃, 표, 수식을 그대로 유지하면서 원문과 번역문을 나란히 비교하며 검토할 수 있습니다.

Equalang 문서 번역 워크스페이스에서 2단 구성의 영문 학술 논문과 번역 레이아웃을 나란히 대조하며 읽는 화면
PDF 내부 /ToUnicode 매핑 누락으로 클립보드 복사 텍스트가 깨질 때 문서 전체를 직접 번역하면 텍스트 추출의 번거로움을 해결할 수 있습니다

자주 묻는 질문 (FAQ)

400%로 확대해도 글자 테두리가 벡터처럼 선명한데, 복사하면 왜 깨지나요?

선명도는 임베디드 폰트의 벡터 글리프 외곽선(수학적 곡선 데이터)으로 구현되지만, 텍스트 복사는 별개의 **문자 코드 매핑 테이블(/ToUnicode CMap)**에 의존하기 때문입니다. PDF 뷰어는 특정 곡선이 어떤 유니코드 문자인지 전혀 몰라도 기하학적 도형을 임의의 크기로 완벽하게 그려낼 수 있습니다.

PDF 암호나 권한 제한을 해제하면 텍스트 깨짐이 해결되나요?

해결되지 않습니다. PDF 권한 제한은 복사 메뉴 활성화 여부만을 통제합니다. 텍스트를 드래그하여 Ctrl+C를 누르고 메모장에 네모나 깨진 글자라도 붙여넣을 수 있다면 권한 문제가 아니라 폰트 사전의 /ToUnicode 누락 문제입니다.

Word에서 PDF를 바로 열거나 무료 PDF-to-Word 변환기를 써도 똑같은 외계어가 나오는 이유는 무엇인가요?

대다수의 빠른 변환 도구는 시각적 OCR을 실행하지 않고 PDF 내부의 텍스트 스트림과 폰트 사전을 그대로 추출합니다. pdffonts에서 uni = no로 판명된 파일은 내부 텍스트 스트림에 유니코드 정보 자체가 없으므로, 광학 인식을 거치지 않는 프로그램은 클립보드와 똑같은 외계어를 출력할 수밖에 없습니다.

참고 자료