6차시. 문서 로딩 실습
9. 자주 겪는 문제와 해결법
출처: 원본 PDF 06차시_문서로딩실습.pdf 17쪽 · 쪽 그림 17쪽
| 증상 | 원인과 해결 |
|---|---|
| 한글이 ??? 또는 깨진 문자로 나옴 | encoding="utf-8"을 지정하세요. 그래도 안 되면 / "cp949"를 시도합니다 |
| PDF를 읽었는데 / page_content가 비어 있음 | 스캔 이미지 PDF입니다. OCR 도구로 텍스트를 먼저 추출해야 합니다 |
| ModuleNotFoundError: No module named 'pypdf' | pip install pypdf 로 설치하세요 |
| 표의 숫자가 뒤죽박죽 섞임 | PDF 표 추출의 한계입니다. 표만 따로 CSV로 준비하는 편이 낫습니다 |
| 매 페이지 같은 문구가 반복됨 | 로딩 직후 replace나 정규식으로 제거합니다 (7-2 참고) |
| 파일은 있는데 / FileNotFoundError | 실행 위치 기준의 상대 경로입니다. 절대 경로로 바꿔 확인해보세요 |
9-1) 스캔 PDF를 만났다면
🖼️ OCR이 필요한 경우
page_content가 비어 있는 PDF는
텍스트가 아니라 이미지입니다.
해결 방법 세 가지:
① 원본 파일을 다시 요청한다 (가장 좋음)
워드나 한글 원본이 있다면 그것을 쓰세요
② PDF 편집 프로그램의 OCR 기능을 쓴다
Adobe Acrobat 등에 내장되어 있습니다
③ 파이썬 OCR 라이브러리를 쓴다
pytesseract 등을 사용하되, 한글 정확도는 낮은 편입니다
실무에서는 ①이 가장 빠르고 정확합니다.