Comment rendre un PDF scanné recherchable ?
Un PDF scanné, c’est une pile de photos. Vous pouvez le lire, mais votre ordinateur, lui, ne le peut pas : la recherche ne trouve rien, et sélectionner du texte attrape toute la page comme une image. L’OCR règle ce problème en reconnaissant les lettres de chaque page et en les enregistrant sous forme de texte que l’ordinateur comprend.
Choisissez votre fichier, cochez les langues imprimées dedans et gardez PDF recherchable comme résultat. L’outil affiche chaque page en haute résolution, reconnaît le texte, puis place une couche de texte invisible exactement sur les mots de la page d’origine. Le résultat s’ouvre dans n’importe quel lecteur PDF. Il est identique à votre scan, mais la recherche, la sélection et la copie fonctionnent, et la recherche de fichiers de votre ordinateur peut le retrouver d’après son contenu.
Les pages qui contiennent déjà du vrai texte, par exemple une page de garde tapée dans un fichier par ailleurs scanné, sont laissées telles quelles : vous n’obtenez jamais les mêmes mots en double.
Astuce : Cochez uniquement les langues vraiment présentes dans le document. Chaque langue en plus ralentit un peu la reconnaissance et donne au moteur davantage d’occasions de se tromper de mot.
Comment convertir un PDF scanné en texte ?
Choisissez Fichier texte (.txt) comme résultat. Vous obtenez un seul fichier texte brut avec les mots de toutes les pages, séparées par une ligne vide. C’est pratique pour citer un courrier scanné, traduire un document ou reprendre les chiffres d’un vieux rapport dans un tableur.
Si vous voulez un document modifiable qui garde sa mise en page, l’étape suivante consiste à convertir le PDF recherchable en Word. Pour les fichiers qui n’ont jamais été scannés, comme un PDF exporté depuis Word, l’OCR est inutile : extraire directement le texte est plus rapide et parfaitement exact.
Quelle est la précision de l’OCR sur des scans et des photos ?
Sur un scan propre et droit d’un texte imprimé, la reconnaissance est en général très bonne. La précision baisse quand le document est difficile à lire, il vaut donc mieux savoir ce qui gêne le moteur :
- Une résolution trop faible. Numérisez à 300 DPI. Un texte qui paraît flou quand vous zoomez sera deviné.
- Des pages penchées ou bombées. La photo d’un livre ouvert ou un cliché de travers pris au téléphone perturbe la détection des lignes. Redressez d’abord la page.
- L’écriture manuscrite. Le moteur est entraîné sur des caractères imprimés. Des majuscules bien formées peuvent passer, une écriture attachée le plus souvent non.
- Tampons, filigranes et fonds colorés. Le texte posé dessus est plus difficile à distinguer du fond.
- Tableaux et colonnes multiples. Les mots sont trouvés, mais l’ordre de lecture dans un fichier .txt peut sauter d’une colonne à l’autre.
Vérifiez toujours les noms, les numéros et les montants du résultat avant de vous y fier.
Est-ce sûr de passer des documents confidentiels à l’OCR en ligne ?
Ici, oui, parce que le document n’est jamais envoyé. La plupart des services d’OCR en ligne transfèrent votre fichier sur un serveur, y lancent la reconnaissance et en gardent une copie un certain temps. Cette page télécharge au contraire le moteur de reconnaissance et ses données de langue dans votre navigateur, et tout le travail se fait sur votre propre téléphone ou ordinateur.
Vous pouvez le vérifier : ouvrez les outils de développement du navigateur sur l’onglet Réseau pendant l’OCR. Vous verrez arriver les fichiers du moteur la première fois, mais votre PDF n’est envoyé nulle part. C’est important pour les papiers que l’on scanne le plus souvent : carte d’identité, avis d’imposition, relevés bancaires, courriers médicaux, contrats signés ou attestations à joindre à un dossier.
Quelles langues peut-on reconnaître ?
Dix-sept langues sont disponibles (voir la liste dans l’outil), et vous pouvez en cocher plusieurs pour les documents qui les mélangent, comme un contrat français avec des clauses en anglais ou une facture en anglais adressée à une entreprise de Montréal. Les modèles sont les versions « best », les plus précises, des données de langue de Tesseract, stockées dans un format entier plus compact : elles se téléchargent vite et restent précises.