Twinkle AI Labs
전체 글
안드로이드 약 2분

안드로이드를 만들며 11 — PDF 글자층의 한글 검색과 폰트 서브셋 검증

PDFBox에 넣을 한글 폰트가 필요했습니다. 저장소의 Pretendard OTF를 11,721자의 TTF로 변환하고, 생성한 PDF에서 한글 문장과 금액을 다시 읽었습니다.

#안드로이드 #PDF #OCR #폰트 #Pretendard
Heejeong KimTwinkle AI Labs

들어가며

Pocket PDF의 글자층에서 한글이 지워지는 문제를 고치려면 Helvetica를 대신할 폰트가 필요했습니다. 앱에서 쓰던 Pretendard를 가져오려 했지만, 저장소의 파일을 그대로 넣을 수는 없었습니다.

저장소의 Pretendard를 TrueType으로 변환

앱은 이미 SIL Open Font License로 배포되는 Pretendard를 사용하고 있었습니다. 다만 저장소의 파일은 CFF 윤곽선을 담은 OTF였고, 당시 PDFBox의 PDType0Font에 넣는 경로는 TrueType의 glyf가 필요했습니다.

tools/bake-ocr-font.py에서 필요한 글자만 남긴 뒤 CFF 곡선을 TrueType 곡선으로 옮겼습니다. fontTools의 서브셋 기능과 Cu2QuPen을 사용한 부분입니다.

# tools/bake-ocr-font.py 중 윤곽선 변환 부분
pen = TTGlyphPen(None)
glyph_set[name].draw(
    Cu2QuPen(pen, CURVE_TOLERANCE, reverse_direction=True)
)
glyphs[name] = pen.glyph()

이 처리는 폰트 윤곽선을 변환합니다. PDF에서 검색할 문자를 되찾는 /ToUnicode 매핑은 PDF 생성 결과에서 별도로 확인해야 합니다.

OCR이 읽는 문자에 맞춘 11,721자

앱 UI는 11개 언어를 지원하지만, 당시 OCR에는 KoreanTextRecognizerOptions를 사용하고 있었습니다. 폰트 범위도 그 인식기가 읽는 한글과 라틴 문자를 기준으로 정했습니다.

한글 음절 11,172자에 기본 라틴·라틴-1·라틴 확장-A, 통화 기호, 문장부호, 호환 자모, 전각 문자를 더했습니다. 생성한 ocr_text_layer.ttf에는 11,721자가 들어갔고 크기는 2.14MB였습니다. 일본어·중국어 문서를 지원하려면 글리프만 더하는 것으로는 부족하고 인식기도 추가해야 합니다.

변환은 다음 명령으로 다시 실행할 수 있도록 저장소에 남겼습니다.

python3 tools/bake-ocr-font.py

폰트와 문자 치환을 함께 바꿨습니다

InvisibleTextLayer는 새 폰트를 문서마다 한 번 읽도록 바꿨습니다. 실제 로딩 코드는 다음과 같습니다.

fun loadFont(context: Context, document: PDDocument): PDFont =
    try {
        context.assets.open(ASSET).use {
            PDType0Font.load(document, it, true)
        }
    } catch (_: Exception) {
        PDType1Font.HELVETICA
    }

ASSET은 ocr_text_layer.ttf이고 마지막 true는 PDF에 사용한 글자만 포함하도록 하는 옵션입니다. 앱에 넣는 폰트는 2.14MB여도 문서마다 전체 파일을 복제하지는 않습니다.

기존의 문자 치환은 표준 폰트로 돌아간 경우에만 실행하도록 제한했습니다.

val latinOnly = font is PDType1Font
val sanitized = if (latinOnly) sanitizeToLatin(text) else text.trim()

새 폰트를 넣어도 이전 sanitize를 그대로 호출하면 한글이 다시 공백이 됩니다. 폰트를 바꾼 것만큼 이 분기를 바꾸는 일이 필요했습니다.

생성한 PDF에서 문장을 다시 읽었습니다

pdfbox-android를 JVM에서 실행해 폰트 로딩, PDF 생성, 텍스트 추출을 확인했습니다. android.util.Log는 스텁을 두고 CMap 자원은 클래스패스에 올렸습니다.

확인에 사용한 문장은 다음과 같습니다.

계약서 임대차 보증금 ₩1,850,000 café

생성한 PDF는 약 4KB였고, /ToUnicode를 통해 되읽은 문장도 입력과 같았습니다. 한글뿐 아니라 원화 기호, 숫자, 악센트가 있는 라틴 문자까지 되찾을 수 있었습니다.

마치며

당시 여기까지는 JVM에서 확인했습니다. 실제 기기로 한국어 영수증을 촬영하고 뷰어에서 검색하는 확인은 남아 있었습니다. 폰트 로딩 실패 시 Helvetica로 돌아가는 경로도 구현했지만, 그 경로를 실제로 통과시키는 검증은 별도로 남겼습니다.