L’OCR, ou reconnaissance optique de caractères, lit les lettres dans l’image d’une page et les transforme en texte qu’un ordinateur peut chercher. Un PDF scanné n’est qu’une suite d’images : impossible d’y chercher un mot, de sélectionner une phrase ou de copier un chiffre. Après l’OCR, c’est possible. Cet outil le fait dans votre navigateur, sans limite de pages, et votre document n’est jamais envoyé.
Rendre un PDF scanné cherchable
Le résultat est identique à votre scan, car les pages d’origine sont conservées. Sous l’image, une couche invisible de mots reconnus est placée à l’endroit de chaque mot : la recherche surligne donc le bon endroit et la sélection prend les mots que vous voyez. Pour savoir si un PDF a déjà du texte, essayez de sélectionner une ligne : si c’est impossible, il lui faut un OCR.
Choisir les langues de l’OCR
La reconnaissance doit savoir quel alphabet et quels mots attendre : choisissez donc chaque langue imprimée dans le document, par exemple le français et l’anglais pour un formulaire bilingue. Plus de 100 langues sont disponibles, dont le chinois, le japonais, le coréen, l’arabe, l’hébreu et l’hindi. Chaque langue est téléchargée une fois, en général quelques mégaoctets, puis gardée par votre navigateur ; la taille s’affiche avant de commencer. Choisir des langues absentes du document rend la reconnaissance plus lente et moins précise.
Ce qui influe sur la précision de l’OCR
Sur un scan propre et droit de texte imprimé à 300 dpi, presque chaque mot est bien lu. La précision baisse avec les photos floues prises au téléphone, la basse résolution, les pages de travers ou gondolées, l’impression pâle, les fonds colorés, les polices inhabituelles et les tableaux aux lignes serrées. L’écriture manuscrite n’est en général pas reconnue. Augmenter la résolution dans les réglages avancés aide pour les petits caractères, au prix de plus de temps. Vérifiez toujours les noms et les chiffres importants.
Comment ça marche
Chaque page est dessinée comme une image dans votre navigateur et lue par Tesseract, un moteur d’OCR open source qui tourne sur votre appareil. Les mots trouvés et leur position sont écrits dans une copie de votre PDF sous forme de couche de texte invisible, et regroupés dans le fichier texte. Un ordinateur portable traite une page en quelques secondes ; un téléphone est plus lent. Les longs documents prennent plus de temps mais n’ont pas de limite, et l’estimation avant le début vous dit à quoi vous attendre.
À quoi ça sert, et quand ça ne marche pas
Contrats et lettres scannés, vieux livres et thèses, tickets et factures pour la comptabilité, polycopiés scolaires, documents d’archives, et tout ce que vous voudrez retrouver plus tard sur votre ordinateur.
- La mise en page n’est pas reconstruite. Le PDF cherchable garde l’aspect d’origine ; le fichier texte est du texte brut. Pour modifier le document, utilisez ensuite PDF en Word.
- L’écriture manuscrite n’est en général pas reconnue.
- Les PDF qui contiennent déjà du texte n’ont pas besoin d’OCR ; pour récupérer leur texte, utilisez PDF en texte.
- Sur un téléphone, gardez l’écran allumé et l’onglet ouvert pendant les longs traitements, sinon le navigateur les met en pause.