OCR et reconnaissance PDF — numérisation en PDF consultable, extraction de texte et de tableaux
OCR et reconnaissance PDF
OCR de PDF en ligne, gratuitement — convertissez des PDF numérisés en PDF consultables, extrayez le texte par OCR, créez des PDF consultables à partir d’images. Tout s’exécute dans votre navigateur. Voir aussi : Éditeur PDF | Sécurité | Compression | Utilitaires.
Remarque sur les performances : l’OCR télécharge environ 12 Mo de données linguistiques à la première utilisation. Le traitement est gourmand en CPU et s’effectue entièrement dans votre navigateur. Pour les grands documents (plus de 10 pages), comptez plusieurs minutes de traitement. Les résultats dépendent de la qualité de la numérisation et de la langue.
0%
0%
0%
0%
Numérisation → consultable : rend chaque page PDF en image, applique l’OCR pour reconnaître le texte, puis crée un nouveau PDF avec une couche de texte invisible au-dessus de l’image de la page. Le PDF obtenu est consultable et sélectionnable.
Image → PDF : prend une ou plusieurs images, applique l’OCR à chacune, et crée un PDF où chaque image devient une page et où le texte reconnu forme une superposition invisible. Idéal pour les photos de documents.
Texte OCR : accepte un fichier PDF ou une image. Pour les PDF, chaque page est rendue en image puis soumise à l’OCR. Affiche le texte reconnu, que vous pouvez copier. Idéal pour extraire le texte de documents numérisés.
Extraction de tableau : rend la page PDF en image, applique l’OCR, et tente d’identifier la structure des tableaux à partir des positions du texte. Les résultats sont approximatifs — les tableaux complexes peuvent ne pas être parfaitement reconstitués. Pour des tableaux précis, utilisez des outils d’extraction dédiés.
Qu’est-ce que l’OCR ?
Un PDF numérisé est en substance une photographie de page : pour l’ordinateur, c’est une grille de pixels, et rien n’y est du texte. La reconnaissance optique de caractères (OCR) est la technique qui examine ces pixels et détermine quels caractères ils représentent. Le résultat peut être du texte brut que vous copiez (mode Texte OCR), ou une couche de texte invisible placée au-dessus de l’image de la page (modes Numérisation → consultable et Image → PDF), ce qui rend un document numérisé consultable dans n’importe quelle visionneuse PDF.
La version en une ligne : l’OCR devine le texte à partir des formes d’encre. C’est de la reconnaissance, non de la lecture — le résultat est une meilleure estimation assortie d’un score de confiance, et non la vérité de terrain que contient un PDF natif, créé numériquement.
Le fonctionnement de l’OCR
Tous les moteurs OCR suivent à peu près les mêmes étapes. D’abord, la page est rendue en image (pour les PDF, chaque page est rastérisée). Vient ensuite la binarisation : les pixels sont classés en encre ou en papier, si bien que le moteur travaille sur des formes noir et blanc. Les formes sont alors segmentées en lignes, mots et caractères individuels. Enfin, chaque candidat est classé — les moteurs modernes utilisent des réseaux de neurones entraînés qui examinent des lignes de texte entières plutôt que des lettres isolées, ce qui leur permet de gérer bien mieux les entrées floues ou légèrement inclinées que les anciens comparateurs de caractères. La langue compte aussi : le moteur utilise des dictionnaires et des jeux de caractères propres à chaque langue, c’est pourquoi choisir la bonne langue dans le sélecteur ci-dessus améliore la précision.
La couche de texte invisible
Un « PDF consultable » superpose deux choses : l’image d’origine de la page que vous voyez, plus une couche de texte invisible placée derrière elle. Sélectionner du texte dans votre visionneuse sélectionne en réalité cette couche cachée. Rien de la numérisation visible n’est modifié — l’image reste intacte, la qualité et l’apparence ne changent donc jamais. Le compromis : le copier-coller et les résultats de recherche ne valent que la précision de l’OCR sous-jacent. Si un mot a été mal reconnu, rechercher la bonne orthographe ne le trouvera pas, car la couche cachée contient l’erreur.
Pourquoi la résolution (DPI) décide de tout
La précision de la reconnaissance dépend du nombre de pixels accordé à chaque caractère. Les pages PDF sont mises en page en points (72 par pouce), mais un caractère de 10 pt rendu à faible résolution se réduit à une poignée de pixels — à 150 DPI, un caractère de 10 pt ne mesure qu’environ 21 pixels de haut, et à 300 DPI environ 42 pixels. En dessous d’environ 20 pixels, les empattements se referment, les lettres bavent les unes sur les autres et la précision chute fortement. C’est pourquoi la recommandation de numérisation de longue date est 300 DPI pour l’OCR : elle donne à chaque petit caractère assez de détails sans gaspiller de taille de fichier. Aller beaucoup plus haut aide rarement la reconnaissance — cela alourdit surtout la numérisation et ralentit l’OCR.
Ce que l’OCR fait mal
L’écriture manuscrite, les polices décoratives et le texte posé sur des fonds chargés restent des points faibles. Les tableaux constituent un cas particulier : l’OCR voit les caractères et leurs positions, mais il ne comprend pas réellement les lignes et les colonnes — le mode Extraction de tableau déduit la structure de l’alignement, d’où le caractère approximatif des tableaux complexes. Et si un PDF contient déjà du vrai texte (il a été exporté depuis Word, non numérisé), l’OCR est inutile : le texte peut être extrait directement, avec plus de précision, grâce aux outils d’export PDF.
Idées reçues courantes
« Un PDF consultable est exactement comme un PDF créé depuis Word. » Non — la couche de texte est un simple texte reconnu. Copier un paragraphe peut faire perdre la mise en page, et chaque erreur de reconnaissance est intégrée à la couche cachée.
« L’OCR retrouve le texte d’origine. » Il en reconstitue une meilleure estimation. Une page reconnue à 99 % contient encore environ un caractère faux pour 100 — suffisant pour la recherche, risqué pour des contenus juridiques ou numériques.
« Plus de DPI est toujours mieux. » Au-delà d’environ 400 à 600 DPI, les gains de précision sont négligeables, tandis que la taille du fichier et le temps de traitement continuent de grimper. 300 DPI est le bon compromis pour les documents courants.
« Les photos prises au téléphone valent les numérisations. » L’inclinaison, un éclairage inégal et les tremblements de l’appareil réduisent tous la précision. Photographiez la page à plat, de face et bien éclairée — ou utilisez un vrai scanner pour les documents importants.
