글로벌 테크 허브시장 · 기술 · 실전 정보
개발2026.11.07

텍스트가 없는 스캔 PDF에서 사진 페이지만 골라내기: 페이지 윗부분만 OCR로 읽는 방법

법원경매 물건의 사진을 자동으로 모으는 기능을 만들었습니다. 처음 조사했을 때는 “사진이 PDF 안에 있어서 복잡하다”며 한 번 미뤘던 작업입니다. 막상 끝까지 파고드니 생각보다 빨리 풀렸고, 그 과정을 정리해 둡니다.

사진은 어디에 있었나

법원경매 사이트의 물건 목록에는 사진이 따로 없습니다. 물건 상세 화면에서 “감정평가서” 버튼을 누르면 PDF가 열리는데, 이 PDF 안의 “사진용지” 페이지에 건물 전경 사진이 들어 있습니다. 다행히 이 PDF는 로그인 없이 URL만 있으면 받을 수 있었습니다.

문제는 두 가지였습니다.

  • PDF 주소가 목록에 없고, 버튼을 눌러야만 생깁니다.
  • PDF의 모든 페이지가 스캔 이미지 한 장씩이라 텍스트가 없습니다. “사진용지”라는 글자를 검색할 수가 없습니다.

1단계: 버튼을 눌러서 PDF 주소 가로채기

목록 화면은 이미 Playwright(브라우저 자동화 도구)로 수집하고 있었습니다. 여기에 행마다 상세 화면에 들어가서 “감정평가서” 버튼을 누르는 동작을 추가했습니다. 버튼을 누르면 브라우저가 PDF를 요청하는데, 그 요청을 엿들어서 주소만 챙깁니다.

pdf_urls = []
page.on("request", lambda req: pdf_urls.append(req.url) if ".pdf" in req.url.lower() else None)

row.locator("text=상세").click()
page.locator("text=감정평가서").click()
page.wait_for_timeout(2000)

if pdf_urls:
    pdf_bytes = requests.get(pdf_urls[-1], timeout=30).content
page.go_back()   # 반드시 목록으로 복귀

PDF 자체는 브라우저로 볼 필요 없이 requests로 직접 받습니다. 공개 주소라 쿠키도 필요 없었습니다.

마지막 줄의 page.go_back()이 중요했습니다. 상세 화면은 같은 페이지 안에서 바뀌는 방식이라, 목록으로 돌아오지 않으면 기존의 페이지 넘기기 반복문이 엉뚱한 화면에서 다음 행을 찾다가 깨집니다.

2단계: 페이지 윗부분만 OCR로 읽기

PDF에서 페이지 이미지는 PyMuPDF로 꺼냅니다. 텍스트가 없으니 page.get_text()는 빈 문자열을 돌려줍니다. 그래서 Tesseract OCR(한국어 데이터 포함)로 글자를 읽기로 했습니다.

페이지 전체를 OCR하면 느리고, 본문 속 다른 글자들 때문에 오탐도 생깁니다. 사진용지 페이지는 맨 위에 제목이 있다는 점을 이용해서, 각 페이지의 위쪽 22%만 잘라서 읽었습니다.

import fitz, pytesseract
from PIL import Image

doc = fitz.open(stream=pdf_bytes, filetype="pdf")
for page in doc:
    pix = page.get_pixmap(dpi=150)
    img = Image.frombytes("RGB", (pix.width, pix.height), pix.samples)
    header = img.crop((0, 0, img.width, int(img.height * 0.22)))
    text = pytesseract.image_to_string(header, lang="kor", config="--psm 6")
    if "사진용지" in text.replace(" ", ""):
        save_photo(img)
        break

OCR 결과에는 글자 사이에 공백이 끼는 경우가 많아서 공백을 지우고 비교했습니다. --psm 6은 “하나의 균일한 텍스트 블록”으로 읽으라는 옵션인데, 제목 줄만 잘라낸 이미지에는 이게 잘 맞았습니다.

실제로 돌려보니

항목 결과
물건 하나당 소요 시간 약 10~15초 (대부분 상세 화면 진입과 PDF 대기)
실패하는 경우 감정평가서 버튼이 없음, OCR이 제목을 못 읽음 등
실패 처리 예외를 삼키고 건너뜀. 사진은 부가 정보라 전체 수집을 멈추지 않음
중복 방지 사건번호 이름의 사진 파일이 이미 있으면 다시 작업하지 않음

물건 하나에 10초가 넘게 걸리니 전체 백로그 1만 8천여 건을 한 번에 처리할 수는 없었습니다. 그래서 3시간마다 도는 자동 수집 때마다 “사진 없는 물건”을 최대 150건씩만 처리하게 했습니다. 하루에 1,200건 정도씩 채워지고, 상대 사이트에 부담을 주지 않는 선에서 약 2주면 백로그가 해소되는 계산이었습니다.

정리

  • 텍스트 없는 스캔 PDF에서 특정 페이지를 찾을 때는 페이지의 일부분만 OCR하면 빠르고 정확합니다.
  • 버튼을 눌러야 생기는 파일은 브라우저 자동화로 요청 주소만 가로채고, 다운로드는 일반 HTTP로 합니다.
  • 부가 기능의 실패가 핵심 수집을 멈추지 않게 예외를 격리합니다.

“복잡해서 나중에”라고 미뤘던 작업이었는데, OCR 설치는 5분이었고 실제 사이트에 몇 번 시험해 보니 길이 보였습니다. 복잡해 보이는 작업일수록 일단 작은 샘플 하나로 끝까지 가보는 게 계획을 세우는 것보다 빨랐습니다. 이렇게 뽑은 사진이 두 장씩 합쳐져 있던 문제는 이전 글에 정리했습니다.