Comment rendre un PDF scanné consultable

La réponse courte

Choisissez la langue du document, déposez le PDF scanné sur l'outil ci-dessous et patientez pendant qu'il lit les pages une à une. Une fois terminé, téléchargez le PDF consultable, le fichier TXT ou les deux dans un ZIP. Le PDF consultable garde toutes les pages d'origine sans les modifier et ajoute seulement le texte invisible : il a donc le même aspect et grossit à peine.

Si le document mélange deux langues, par exemple un contrat en français avec des termes anglais, choisissez aussi une deuxième langue. Si vous n'avez besoin que de certaines pages, indiquez-les dans le champ Pages, par exemple 1-3, 5 ou 8-.

Pourquoi on ne peut pas chercher dans un PDF scanné

Un PDF enregistré depuis un traitement de texte contient du vrai texte : chaque lettre, sa police et sa position. Un scanner, un copieur ou une application de numérisation sur téléphone fonctionne autrement. Il prend une photo du papier et place cette photo dans un PDF. Pour vous, la page ressemble à du texte, mais pour l'ordinateur c'est une grille de points colorés.

C'est pourquoi la recherche ne trouve rien, le curseur sélectionne toute la page comme une image et le collage ne donne rien d'utile. Les lecteurs d'écran ne peuvent pas la lire à voix haute, et la recherche de fichiers de votre ordinateur ou d'une archive documentaire ne retrouve pas le document par son contenu. Certaines applications de numérisation font l'OCR automatiquement, ce qui explique que certains scans soient consultables et d'autres non.

Un test rapide : ouvrez le PDF, appuyez sur Ctrl+F (Cmd+F sur Mac) et cherchez un mot que vous voyez clairement sur la page. Si rien n'est trouvé, la page n'a pas de couche de texte et a besoin d'OCR.

Comment fonctionne la couche de texte invisible

L'OCR repère les lignes et les mots dans l'image de la page et reconnaît chaque caractère. L'outil écrit ensuite chaque mot reconnu dans le PDF exactement à l'endroit où il apparaît sur le scan, dans un mode de texte invisible que connaissent les lecteurs PDF : le texte est là pour la recherche et la sélection, mais il n'est pas dessiné, le scan en dessous reste donc visible comme avant.

Les pages d'origine sont reprises telles quelles. Le scan n'est ni reconverti, ni recompressé, ni dégradé, le résultat a donc exactement l'aspect de votre fichier. Chaque page ne gagne que quelques kilo-octets de texte. Lors d'une recherche, le lecteur surligne le mot sur le scan, et quand vous sélectionnez une ligne pour la copier, vous obtenez le texte reconnu.

Les réglages un par un

• Langue du texte : la langue dans laquelle le document est rédigé. C'est le réglage le plus important, car il indique à l'OCR quelles lettres et quels mots attendre. Seules les données de cette langue sont téléchargées, une fois.
• Deuxième langue : facultative. Utilisez-la pour les documents mixtes. Les deux langues sont reconnues ensemble, un peu plus lentement qu'une seule.
• Pages : laissez vide pour toutes les pages ou saisissez des plages comme 1-3, 5 ou 8- (de la page 8 à la fin). Le PDF consultable contient toujours toutes les pages ; seules celles choisies reçoivent une couche de texte.
• Résultat : PDF consultable et texte (les deux, en ZIP), PDF consultable seul ou texte seul. Si vous le changez ensuite, les pages ne sont pas relues, le texte reconnu est réutilisé.
• Arrêter : les longs documents peuvent être arrêtés à tout moment avec le bouton à côté du fichier. Les pages déjà lues sont gardées, et le traitement suivant reprend là où il s'était arrêté.

Conseils pour un texte précis

• Scannez en 300 DPI si possible. Les pages sont dessinées à environ 300 DPI avant la lecture, mais un scan plus net donne toujours de meilleures lettres.
• Gardez les pages droites et éclairées de façon uniforme. Une légère inclinaison ne gêne pas ; les pages très tournées ou bombées, comme la photo d'un livre épais, sont moins bien lues.
• Choisissez la langue exacte. Avec l'anglais sélectionné, des lettres comme é, ç, œ ou ß peuvent ressortir sous forme de lettres latines proches.
• Vérifiez les noms, montants et dates avant de vous y fier. L'OCR est très bon sur un texte imprimé propre, mais sur une mauvaise copie un 1 peut devenir un l et un 0 un O.
• L'écriture manuscrite, les tampons et le texte sur des photos ou des fonds chargés sont difficiles pour tout OCR et peuvent être ignorés ou mal lus.

Quelles langues fonctionnent, et comment

La reconnaissance couvre 20 langues. Le texte du fichier TXT est toujours en Unicode brut, chaque alphabet est donc conservé. Dans le PDF consultable, le texte invisible est enregistré caractère par caractère : des lettres comme é, ç, œ, ñ, ş et ß se recherchent et se copient correctement, ce qui n'est pas le cas de nombreux outils PDF simples limités aux lettres occidentales de base.

Les pages qui ont déjà du texte, et votre confidentialité

Beaucoup de PDF mélangent pages scannées et pages normales, par exemple une lettre tapée à l'ordinateur suivie de reçus scannés. Avant de lire une page, l'outil vérifie si elle contient déjà du vrai texte. Si c'est le cas, la page reste exactement telle quelle et son texte existant va dans le fichier TXT : il n'y a donc jamais de deuxième couche de texte en double. Un PDF déjà passé à l'OCR est détecté de la même façon.

Tout se passe sur votre appareil. Le PDF est ouvert, dessiné et lu dans votre navigateur, rien n'est envoyé, ce qui compte pour les contrats, les courriers médicaux et les relevés bancaires. Après la première utilisation, les données de langue restent dans votre navigateur et l'outil fonctionne aussi hors ligne. Les PDF protégés par mot de passe ne peuvent pas être ouverts : retirez d'abord le mot de passe.