Comment OCRiser un PDF scanné et obtenir du texte modifiable

Un PDF scanné est un ensemble de photographies enfermées dans un conteneur PDF. Il ne contient pas de texte, seulement des pixels : impossible de sélectionner une phrase, de chercher un nom ou de copier un paragraphe. L'OCR corrige cela : il examine les formes de chaque page et reconstruit les lettres.

La réponse courte

• Ouvrez PDF scanné en texte (OCR), chargez le PDF et choisissez la langue du document.
• Les pages qui possèdent déjà une couche de texte sont lues directement ; seules les pages images passent par l'OCR.
• Téléchargez le résultat en TXT et relisez-le avant de l'envoyer.

La reconnaissance s'exécute dans votre navigateur. Le PDF n'est pas téléversé, ce qui compte lorsqu'il s'agit d'un contrat, d'un rapport médical ou d'une facture.

Scanné ou numérique ? Vérifiez d'abord

Tous les PDF n'ont pas besoin d'OCR. Ouvrez le fichier et essayez de sélectionner un mot à la souris. Si le texte se surligne normalement, le document possède déjà une couche de texte et vous pouvez l'extraire exactement avec PDF en TXT. C'est plus rapide et cela évite les erreurs de reconnaissance.

Si rien ne peut être sélectionné, ou si la sélection forme un rectangle bleu sur toute la page, la page est une image. C'est là que l'OCR devient nécessaire.

Il existe aussi des documents mixtes : un contrat avec des conditions numériques et des signatures scannées, ou un rapport avec une couverture textuelle et des annexes photographiées. Un bon outil d'OCR doit traiter chaque page séparément au lieu de faire passer tout le fichier par la reconnaissance.

Étape par étape

• Chargez le PDF. Déposez-le dans PDF scanné en texte (OCR) ou cliquez pour parcourir. Le fichier s'ouvre localement.
• Choisissez la langue. Sélectionnez la langue du texte contenu dans le document, pas celle de votre navigateur. L'anglais est ajouté automatiquement pour que les pages mixtes fonctionnent.
• Lancez la conversion. Les pages numériques apparaissent presque instantanément. Les pages scannées prennent quelques secondes chacune, et le premier lancement télécharge aussi les données de langue.
• Relisez le texte. Comparez-le à l'original, en commençant par les noms, les chiffres et les dates.
• Téléchargez le TXT. Utilisez-le dans votre éditeur, vos notes ou tout outil qui accepte du texte brut.

Comment améliorer la précision

L'OCR devine, et la qualité de la devinette dépend de la qualité de l'image.

• Résolution. Environ 300 dpi est l'idéal pour une page scannée. Une photo prise de près fonctionne souvent mieux qu'une petite capture d'écran.
• Contraste. Un texte sombre et net sur fond clair est parfait. Les ombres, le flash et le papier coloré perturbent le moteur.
• Pages droites. Les scans inclinés cassent les lignes et fusionnent les mots. Redressez la page avant de scanner quand c'est possible.
• Langue. Un mauvais modèle de langue est la cause la plus fréquente d'accents cassés et de mots inventés. Si un document mélange deux langues, traitez séparément les pages de la langue minoritaire.
• Recadrez. Retirez les bords, les mains, les agrafes et les logos pour que le moteur n'essaie pas de les lire.

Ce que l'OCR rate encore

• L'écriture manuscrite. Le texte imprimé est la cible. Les capitales d'imprimerie passent parfois ; la cursive presque jamais.
• Les tableaux et les colonnes. Le moteur lit du texte, pas une mise en page. Les cellules peuvent perdre leur alignement et les colonnes se mélanger : prévoyez de refaire les tableaux à la main.
• Les nombres et les codes. Le 0 et la lettre O, ou le 1, le l et le I, sont des confusions classiques. Vérifiez les numéros de facture, les IBAN et les adresses e-mail caractère par caractère.
• Les petits caractères et les polices stylisées. Les notes de bas de page minuscules, les italiques fines et les logos décoratifs produisent beaucoup d'erreurs.
• La ponctuation. Guillemets, tirets et symboles monétaires sont petits et faciles à perdre.

Un correcteur orthographique ne détectera pas un chiffre erroné. C'est pourquoi la relecture n'est pas facultative pour tout document financier ou juridique.

Confidentialité et limites

La conversion est locale : le PDF est lu, rendu et reconnu sur votre appareil, et le texte ne le quitte jamais. C'est la raison principale de préférer un outil de navigateur à un service qui vous demande de téléverser le fichier.

Deux limites pratiques méritent d'être connues. Les scans très volumineux consomment plus de mémoire, et le temps de reconnaissance augmente avec le nombre de pages. Si un document compte des centaines de pages, divisez-le en parties et traitez-les une par une.

Quand l'OCR n'est pas la solution

• Le PDF contient déjà du texte. Utilisez PDF en TXT pour une extraction exacte.
• Vous avez besoin de la mise en page d'origine. L'OCR renvoie du texte, pas du design. Pour une copie fidèle, gardez le PDF original ou convertissez-le en Word avec PDF en DOCX.
• Vous voulez un PDF indexable. Le texte reconnu peut être collé dans un nouveau document, mais cet outil renvoie un TXT ; il n'ajoute pas de couche de texte invisible au fichier d'origine.
• La page est une photo, pas un PDF. Utilisez Image en texte (OCR).

Liste rapide

• Sélectionnez un mot dans le PDF pour confirmer qu'il est vraiment scanné.
• Choisissez la langue du document.
• Comparez les noms, montants, dates et numéros de référence avec l'original.
• Conservez le PDF original jusqu'à la vérification du texte.
• Rangez le TXT là où vous pourrez le rechercher plus tard.

Bien mené, l'OCR transforme un scan illisible en texte utilisable, sans envoyer un document confidentiel sur le serveur d'un inconnu.