pdftotext

pdftotext는 PDF 문서에서 글자만 뽑아내 순수 텍스트 파일로 바꿔주는 프로그램이에요. 그림과 표와 디자인이 잔뜩 섞인 잡지 페이지에서 사진과 레이아웃은 다 걷어내고 글자만 옮겨 적는 필경사 같은 역할을 한다고 보면 돼요. PDF 안에는 글자뿐 아니라 폰트 정보, 배치, 이미지 같은 게 함께 들어있는데, pdftotext는 이런 요소를 무시하고 사람이 읽는 문장만 골라내 가볍고 빠르게 처리해요.

이 도구가 특히 쓸모 있는 순간은 문서에 표나 코드처럼 복잡한 구조보다 줄글이 많을 때예요. 소설이나 산문 위주의 책이라면 복잡한 구조 분석 도구를 쓸 필요 없이 pdftotext로 빠르게 텍스트만 뽑아내는 게 더 효율적이거든요. 반대로 표나 코드 블록이 많은 기술 문서라면 레이아웃까지 이해하는 다른 도구가 더 적합해요.

기사는 book-to-skill이라는 변환기가 문서 형식에 따라 추출 도구를 자동으로 고른다고 설명하면서, 표와 코드가 많은 기술서에는 도클링을, 산문 위주 책에는 더 빠른 pdftotext를 쓴다고 밝혀요. 즉 pdftotext는 이 변환 과정의 첫 단계에서 텍스트를 뽑아내는 여러 도구 중 하나이지, 변환기 전체나 AI 에이전트 자체를 가리키는 말이 아니에요.

컴퓨터에 pdftotext가 설치돼 있다면(리눅스나 맥에서 흔히 쓰는 poppler 도구 모음에 포함돼 있어요), 터미널에 pdftotext 문서.pdf 출력.txt 라고 입력해보세요. 같은 폴더에 그림과 서식 없이 글자만 담긴 텍스트 파일이 하나 생겨요. 산문 위주 문서일수록 결과가 깔끔하게 나오는 걸 확인할 수 있어요.