Transformer un PDF numérisé en texte consultable

Ce que fait l'OCR sur un document numérisé

OCR signifie reconnaissance optique de caractères. Chaque page est dessinée sous forme d'image, le moteur de reconnaissance (Tesseract.js, exécuté en WebAssembly dans votre navigateur) lit les lettres, et le texte est enregistré avec la position de chaque mot sur la page. Pour un PDF consultable, ce texte est placé de façon invisible derrière l'image d'origine : la page semble inchangée, mais vous pouvez la rechercher, la sélectionner et en copier des passages.

Vous pouvez aussi télécharger le texte reconnu sous forme de fichier .txt, pratique pour le coller dans un éditeur ou le confier à un autre outil. Vous choisissez d'abord les langues, puis d'ignorer ou non les pages qui contiennent déjà du texte, et la résolution du rendu des pages (200 ou 300 DPI). Outre les PDF, l'outil accepte des images JPG et PNG en entrée.

Vos documents ne sont jamais envoyés. La seule chose récupérée sur le réseau est le moteur OCR et les données de langue, téléchargés depuis un CDN public (jsDelivr) la première fois que vous utilisez l'outil, pour quelques mégaoctets. Le CDN voit votre adresse IP et les en-têtes de requête habituels, mais pas vos documents.

Pages numérisées ou pages déjà textuelles

Tous les PDF n'ont pas besoin d'OCR. Un fichier exporté depuis un traitement de texte contient déjà du vrai texte, et lui appliquer l'OCR ne ferait que rallonger le travail et introduire de petites erreurs. Un scan, lui, ne contient que des images. Test rapide : ouvrez le fichier et essayez de sélectionner un mot avec le curseur. Si rien ne se surligne, ou si Ctrl+F ne trouve rien, les pages sont des images.

Les fichiers mixtes sont courants, par exemple un contrat numérique avec quelques pages de signature scannées. L'option d'ignorer les pages qui contiennent déjà du texte s'en occupe : les pages numériques restent intactes et seules les pages scannées sont traitées. Ensuite, le PDF consultable fonctionne avec tous les outils de texte : vous pouvez enchaîner avec Compresser PDF, PDF en Word ou PDF en texte avec des résultats utiles.

• Testez d'abord : si vous pouvez sélectionner du texte, la page n'est pas un scan.
• Utilisez l'option d'exclusion pour les documents mixtes.
• Cherchez ensuite un mot distinctif pour vérifier le résultat.

Choisir les langues et comprendre les alphabets

Le moteur lit mieux quand il sait à quoi s'attendre : sélectionnez la langue du texte, pas seulement celle que vous parlez. Si une page mêle français et anglais, cochez les deux ; la reconnaissance est un peu plus longue mais elle cesse de prendre les accents d'une langue pour du bruit. Cocher beaucoup de langues inutiles ralentit le traitement et peut provoquer des erreurs de lecture ; choisissez uniquement celles qui figurent sur la page.

Une différence importante existe entre les écritures. Pour les langues à alphabet latin (anglais, français, espagnol, allemand, italien, portugais, néerlandais et turc), l'outil peut construire un PDF consultable dont la couche de texte invisible se trouve derrière l'image de la page. Pour l'arabe et le russe, qui utilisent d'autres alphabets, cette couche consultable n'est pas disponible dans cet outil. Il les reconnaît bien, mais livre le résultat sous forme de fichier .txt. Si vous avez besoin d'un PDF arabe consultable, cet outil ne le produira pas.

• Page bilingue : cochez les deux langues.
• Arabe ou russe : utilisez le téléchargement .txt.
• Chiffres, dates et noms latins dans une page arabe : relisez-les à l'œil.

Obtenir le résultat le plus fidèle

La qualité de l'image compte plus que n'importe quel réglage. L'entrée la plus fiable est une page numérisée à 300 DPI, bien à plat sur la vitre, sous une lumière uniforme, avec un texte sombre sur fond clair. Photos de travers, ombres, plis, encre pâle et très petits caractères font tous baisser la précision. Si vous photographiez une page avec un téléphone, tenez-le parallèle au papier, évitez votre propre ombre et remplissez le cadre avec la page.

Utilisez 300 DPI pour les petits caractères, les notes de bas de page et les pages denses, et 200 DPI quand le texte est gros et que vous voulez aller plus vite. Une résolution plus haute demande aussi plus de mémoire et de temps par page. Tableaux et mises en page à colonnes sont lus ligne par ligne, si bien que l'ordre du texte peut ne pas suivre la mise en page visuelle ; vérifiez ces zones à l'œil.

• Numérisez à 300 DPI ou plus si possible.
• Redressez et recadrez les pages penchées avant l'OCR.
• N'attendez pas une reconnaissance fiable de l'écriture manuscrite.
• Relisez noms, chiffres et dates en les comparant à la page d'origine.