Transformer une pile de pages numérisées en PDF interrogeable

Un appareil photo et un scanner à plat ne résolvent pas le même problème, et aucun ne rend le résultat interrogeable à lui seul.

Par PulsarKit · Publié le 8 septembre 2026 · Mis à jour le 16 octobre 2026

Une photo de page n’est pas un scan

Tenue au-dessus d’un bureau, la caméra d’un téléphone voit un trapèze, pas un rectangle. Elle enregistre aussi la couleur de la pièce avec la page, plutôt qu’un blanc de papier propre. Passer de cette photo à quelque chose qui se lit comme un vrai scan suppose de trouver les quatre coins de la feuille dans l’image, de corriger la perspective pour que la page redevienne bien droite, puis d’appliquer un seuillage local de luminosité qui rend le papier blanc et l’encre noire. Sans cela, il ne reste qu’une photo grisâtre et un peu déformée d’une page posée sur un bureau. Rien de tout cela ne vient du fait de prendre une photo plus nette. C’est une correction spécifique appliquée après la prise de vue.

Une page après l’autre, corrigée au fil de l’eau

La détection automatique des coins trouve le bon trapèze la plupart du temps. Elle se trompe sur les nappes à motifs, le bois foncé ou une page qui sort du cadre, ce qui arrive assez souvent avec des pages de livres surdimensionnées pour qu’il faille s’y attendre plutôt que le considérer comme un échec. Quand cela arrive, déplacer quatre poignées à la main sur les vrais coins corrige une seule page sans devoir refaire tout le reste du lot. Les pages construites de cette façon s’empilent dans une liste que vous pouvez réorganiser, faire pivoter d’un quart de tour ou reprendre en photo à la place ; une page qui se retrouve malgré tout au mauvais endroit peut être déplacée plus tard avec Organiser un PDF. Reprendre remplace uniquement cette page, sans vous obliger à rescanner toute la pile depuis le début.

Un PDF scanné n’est toujours pas interrogeable

Une fois que chaque page est capturée, corrigée et assemblée dans un seul PDF avec JPG en PDF, le résultat reste, techniquement, une pile d’images. Il n’y a aucune couche de texte en dessous, donc rien dans le document ne peut être sélectionné, copié ou trouvé par une recherche. Cela surprend les personnes qui pensent que « numérisé en PDF » et « PDF interrogeable » veulent dire la même chose. Ce n’est pas le cas, et c’est justement cet écart que l’OCR comble. Lancer OCR PDF sur le scan terminé ajoute derrière l’image de chaque page une couche invisible de texte reconnu, avec un positionnement précis. La page a exactement le même aspect, mais les mots qu’elle contient peuvent maintenant être sélectionnés, copiés et recherchés.

Obtenir une bonne reconnaissance dès la première fois

La qualité de la reconnaissance dépend fortement du caractère plat, bien éclairé et régulier de l’image d’origine. C’est ce que l’étape de numérisation et de correction de perspective en amont est censée garantir. Une page correctement redressée et proprement seuillée est bien mieux reconnue qu’une photo prise de travers dans une lumière médiocre. Le redressement automatique et la rotation automatique appliqués avant la reconnaissance corrigent la plupart des inclinaisons restantes. Il est également important de choisir la bonne langue, ou jusqu’à trois si un document en mélange, car une reconnaissance réglée sur un autre alphabet donne des résultats nettement moins bons même sur des pages par ailleurs propres.

Choisir ignorer, refaire ou forcer avant de valider

Un lot de pages scannées est rarement homogène. Certaines comportent déjà une couche de texte issue d’un passage précédent, et les reconnaître à nouveau fait perdre du temps sans rien changer d’utile. Laisser intactes les pages qui contiennent déjà du texte et ne reconnaître que celles qui sont de pures images est le choix prudent pour un lot mixte. Quand une couche de texte existante est connue pour être erronée, par exemple à cause d’un ancien passage d’OCR raté, forcer la reconnaissance pour ignorer tout texte déjà présent et reprendre chaque page à partir de l’image est l’option qui corrige le problème. L’autre solution laisse la mauvaise couche en place sous une deuxième couche inutilisée.

Les erreurs courantes au moment de la prise de vue

La plupart des mauvais scans se jouent avant qu’un logiciel ne les voie. Photographier sous une seule lampe projette l’ombre du téléphone, ou de votre propre main, sur la page, et aucun seuillage ne distingue cette ombre de l’encre ; la lumière du jour d’une fenêtre, ou deux lampes de part et d’autre, règlent le problème à la source. Le papier glacé renvoie la lumière dans l’objectif sous forme d’une tache blanche qui efface le texte en dessous, alors inclinez le livre ou déplacez la lampe jusqu’à ce que le reflet sorte de la page. Un livre épais ne reste jamais à plat tout seul : le texte près de la reliure se courbe et rétrécit, et l’appareil l’enregistre comme une traînée. Maintenir la page opposée avec la main ou un poids et photographier une page à la fois, plutôt qu’une double page, garde chaque ligne assez droite pour être reconnue. Posez le livre sur une surface unie qui contraste avec le papier, car les nappes à motifs et le veinage du bois foncé sont précisément ce qui trompe la détection des coins. Gardez le téléphone parallèle à la page plutôt qu’incliné, et ne réduisez pas les photos avant la reconnaissance : ce sont les traits fins des lettres que la reconnaissance lit, et une copie réduite les perd en premier. Enfin, photographiez dans l’ordre de lecture et vérifiez le nombre de pages à la fin ; une page manquante est bien plus facile à reprendre maintenant qu’à découvrir après le passage de l’OCR.

Ce qui arrive au fichier pendant la reconnaissance

Les deux moitiés de ce travail s’exécutent à des endroits différents. Assembler les pages avec JPG en PDF et corriger leur ordre dans Organiser un PDF se fait entièrement dans le navigateur ; les photos ne sont jamais envoyées. La reconnaissance, elle, est différente : un scan de plusieurs pages a besoin d’un vrai moteur d’OCR, donc OCR PDF envoie le PDF assemblé à notre serveur par une connexion chiffrée, jusqu’à 300 Mo et 500 pages par tâche. Le fichier envoyé est supprimé dès que la tâche se termine, et le résultat reste téléchargeable pendant une heure puis est effacé sous deux heures environ, que vous le téléchargiez ou non. Les pages reviennent en même nombre et dans le même ordre, chacune avec une couche de texte invisible ; les options Redresser les pages inclinées et Faire pivoter les pages automatiquement sont activées par défaut et remettent aussi d’aplomb les pages penchées ou à l’envers. Un livre photographié au téléphone atteint la limite de taille bien avant celle des pages : à trois mégaoctets environ par photo, cent pages remplissent déjà 300 Mo. Assemblez-le donc par parties d’une centaine de photos, ou découpez un PDF terminé avec Diviser un PDF, et reconnaissez chaque partie ; Fusionner PDF réunit ensuite les résultats dans l’ordre, jusqu’à 500 Mo au total. Choisissez d’abord les langues, jusqu’à trois pour un livre qui les mélange, et activez le fichier texte annexe pour obtenir les mots reconnus dans un simple .txt : c’est le moyen le plus rapide de vérifier une page d’essai avant de lancer le reste.

Outils utilisés dans cet article

OCR PDFAjoutez une couche de texte consultable à un PDF scanné dans 15 langues. Le texte devient sélectionnable, et les pages inclinées ou couchées sont redressées, sauf si vous le désactivez. S’exécute sur notre serveur ; les fichiers sont supprimés automatiquement sous deux heures environ.

JPG en PDFTransformez un dossier de photos JPG en un seul PDF, dans l’ordre que vous choisissez, sans recomprimer le moindre pixel.

Organiser un PDFMettez les pages d’un document dans l’ordre que vous voulez, et faites pivoter, dupliquez ou supprimez des pages individuelles au passage.