Comment faire un OCR d’un PDF

Lire un PDF scanné comme du texte

Un PDF scanné est une image d’un document, pas un document. Vous pouvez le lire à l’écran, mais vous ne pouvez pas le rechercher, en copier un paragraphe, ni le coller dans un autre fichier. L’OCR — la reconnaissance optique de caractères — est l’étape qui transforme l’image en texte : elle regarde chaque page, reconnaît les lettres, et les écrit sous forme de texte que vous pouvez utiliser. Cet outil fait tourner l’OCR dans votre navigateur, avec le moteur Tesseract.

Chaque page est lue dans l’ordre, et le résultat est un fichier .txt avec le texte de chaque page, avec des marqueurs de page entre les pages pour que vous sachiez toujours où une page se termine et où la suivante commence. Le résultat s’ouvre dans n’importe quel éditeur de texte, et à partir de là vous pouvez le rechercher, en copier des passages, ou le passer dans un autre outil — un résumé, une traduction ou une recherche. Un fichier par utilisation, jusqu’à 100 Mo et jusqu’à 20 pages. La première fois que vous utilisez l’outil, le moteur d’OCR (environ 7 Mo) et le fichier de langue de votre document (environ 1 à 4 Mo) se téléchargent dans votre navigateur ; ensuite ils sont mis en cache et prêts.

La limite honnête est que l’OCR devine. Il regarde des pixels et décide quelle lettre correspond à chaque forme, et sur une page floue, penchée ou fanée, il devinera mal. Un scan propre à une bonne résolution se lit bien ; une photo d’une page prise de travers, sous une mauvaise lumière, se lit mal. Vérifiez toujours le résultat — surtout les noms et les chiffres, où une seule lettre fausse change le sens. Seul le texte imprimé est pris en charge ; l’écriture manuscrite ne l’est pas, et aucun réglage ne la fera fonctionner. Et choisissez la langue du document avant de commencer : l’OCR avec le mauvais fichier de langue lira mal les lettres qui se ressemblent d’une langue à l’autre.

Quelques conseils pratiques. Si vous le pouvez, scannez au lieu de photographier — un scan à plat est la meilleure entrée que l’OCR puisse recevoir. Si le scan est penché, redressez-le d’abord ; une page inclinée est la raison la plus courante des mauvais résultats. Faites un court test sur une page avant de vous lancer sur tout un document, pour savoir quelle qualité attendre. Et quand le texte compte — un contrat, un dossier médical, une série de chiffres — lisez le fichier .txt en le comparant au scan, ligne par ligne, avant de vous y fier. L’OCR fait gagner des heures de frappe, mais il ne supprime pas le besoin de vérifier.

Il est aussi utile de savoir quel type de document l’OCR gère bien. Une page imprimée propre — un livre, un formulaire, une lettre dactylographiée — se lit bien, parce que les lettres sont régulières et l’espacement est uniforme. Une page à deux colonnes, un tableau, ou un mélange de texte et d’images se lit moins bien : le texte ressort, mais l’ordre des colonnes peut se mélanger, et un tableau peut ressortir en une longue ligne de mots. Une page avec un tampon, une signature ou de l’écriture manuscrite dans la marge lira le texte imprimé et sautera le reste, parce que l’écriture manuscrite n’est pas prise en charge. Si la mise en page compte — un formulaire où chaque champ doit rester à sa place — gardez le scan à côté du texte, pour pouvoir vérifier d’où vient chaque ligne.

Le choix de la langue mérite aussi un deuxième regard. L’OCR lit le mieux quand le fichier de langue correspond à la langue de la page, parce que les lettres qui se ressemblent d’une langue à l’autre — un tréma allemand, un accent français, un mot indonésien sans équivalent anglais — sont devinées à partir de la langue que vous avez choisie. Un document qui mélange deux langues lira bien l’une d’elles et mal l’autre, et il n’existe aucun réglage qui lise les deux à la fois. Si votre document est surtout dans une langue avec quelques mots dans une autre, choisissez la langue principale et vérifiez les mots étrangers à la main.

Tout le travail s’exécute dans votre navigateur. Votre scan n’est jamais envoyé à un serveur, donc un document personnel reste sur votre appareil. Il n’y a pas de compte, pas de limite quotidienne, et pas de filigrane. Ouvrez l’outil, déposez votre scan, choisissez la langue, et récupérez le texte.

Comment utiliser cet outil

1. 1Déposez un PDF scanné sur la page OCR PDF — jusqu’à 100 Mo, jusqu’à 20 pages par utilisation.
2. 2Choisissez la langue du document.
3. 3Appuyez sur Lire le texte par OCR et attendez pendant que chaque page est lue dans l’ordre.
4. 4Téléchargez le fichier .txt et ouvrez-le dans n’importe quel éditeur de texte.
5. 5Vérifiez le résultat attentivement — surtout les noms et les chiffres — avant de vous y fier.