Qu’est-ce que l’OCR et quand en avez-vous besoin ? Un scan de 20 pages, mesuré

L’OCR en termes simples

Une page scannée est une photo de papier. Vous pouvez en lire les mots, mais pour un ordinateur, ce sont des points gris, comme sur n’importe quelle autre image. L’OCR, ou reconnaissance optique de caractères, repère les formes des lettres sur cette image et les transforme en véritable texte.

Dans un PDF, ce texte va dans une couche invisible placée derrière l’image, chaque mot étant superposé à l’endroit correspondant du scan. La page elle-même reste une image. Mais désormais, un mot peut être sélectionné et copié, Ctrl+F le trouve, et un lecteur d’écran a quelque chose à lire.

Sans cette couche, un scan reste fermé aux technologies d’assistance. Le W3C rédige les règles d’accessibilité du web, et sa technique consacrée aux PDF scannés, publiée en anglais, indique : « Les technologies d’assistance ne peuvent ni lire ni extraire les mots » (notre traduction). Quand le fichier d’origine n’existe plus, la solution qu’elle désigne est l’OCR.

Trois vérifications : votre PDF en a-t-il besoin ?

Ouvrez le PDF dans n’importe quelle visionneuse et essayez de sélectionner un mot. Si les mots se surlignent un par un, le fichier contient déjà du texte. Si le glissement trace un cadre sur toute la page, ou si rien ne se passe, la page est une image.

Cherchez ensuite un mot visible sur la page, avec Ctrl+F, ou Cmd+F sur un Mac. Si un mot bien en vue reste introuvable, il n’y a pas de texte derrière. Si une ligne copiée se colle sous forme de charabia, la couche existe en général, mais elle est fausse.

OCR PDF fait cette vérification pour vous. Sous l’aperçu, le tableau « Vérification du fichier final » affiche la ligne « Couche de texte, p. 1 » avant et après, pour la page ouverte. Sur notre scan, elle indiquait « non » avant et « oui » après ; sur un PDF imprimé depuis une page web, elle indiquait « oui » dès le départ.

Ce que l’OCR a changé dans un scan de 20 pages

Le 23 octobre 2026, nous avons fabriqué un scan de test à partir d’un document texte de 20 pages et 5 548 mots. Chaque page est devenue un JPEG gris de 1700 × 2200 pixels à 200 ppi, sans aucun texte dans le fichier. Le scan pesait 8 302 321 octets, que l’outil affiche comme 7,9 Mo.

Nous avons lancé OCR PDF dans Chrome sur un Mac avec ses réglages par défaut : « Anglais », « Ignorer le texte existant », « Redresser les pages inclinées » et « Faire pivoter les pages automatiquement ». Le résultat était prêt 50,7 secondes après l’appui sur « Reconnaître le texte », envoi du fichier compris. La page indiquait : « Rapport du serveur : texte trouvé sur 20 pages sur 20. »

Nous avons ensuite extrait le texte du résultat pour le comparer à l’original, mot par mot. Sur les 5 548 mots, 5 536 correspondaient, soit 99,78 %. Les erreurs portaient sur des nombres, comme un 4, un 7 et 636, plus un mot. Une recherche du mot anglais « warranty » a donné 243 résultats, autant que dans le document d’origine.

Les pages sont restées des images, toutes les 20, dans le même ordre. La couche de texte n’a pas alourdi le fichier : il est revenu avec 7,6 Mo, 4 % de moins que le scan. Il ne contenait aucune balise pour les titres ou l’ordre de lecture, que la technique du W3C ajoute dans une étape séparée. Notre scan était un texte imprimé propre ; nous n’avons testé ni des photos prises avec un téléphone, ni de l’écriture manuscrite.

Une page inclinée, et ce que deviennent les images

Les scans sortent souvent de travers : nous avons donc aussi tourné deux des pages de 3 degrés. OCR PDF les a remises droites : mesurée avec ImageMagick, l’inclinaison est passée de 2,96 degrés à zéro. Les 549 mots des deux pages correspondaient tous, et la tâche a pris 15,8 secondes.

Le redressement a un prix. Avec « Redresser les pages inclinées » activé, chaque image de page a été réenregistrée en JPEG, y compris les pages droites. Nous avons ensuite désactivé cette option et « Faire pivoter les pages automatiquement » dans « Plus de réglages ». Les deux mêmes pages droites sont revenues avec des images identiques octet pour octet à celles du scan. Désactivez donc les deux options quand un fichier doit garder ses images d’origine.

Quand vous n’avez pas besoin de l’OCR

La plupart des PDF créés sur un ordinateur contiennent déjà du texte : un fichier exporté depuis Word, ou une page imprimée en PDF depuis un navigateur. Notre document de 20 pages en faisait partie, imprimé depuis Chrome. OCR PDF l’a renvoyé en 2,1 secondes : « Ce PDF contient déjà un calque de texte, rien n’a donc été ajouté. » Le message renvoyait plutôt vers « Relancer l’OCR ».

« Relancer l’OCR » sert à remplacer une couche de texte fausse, pas une couche qui fonctionne. Si la recherche et la copie fonctionnent déjà, ne touchez pas à la couche.

Pour extraire les mots d’un PDF qui contient déjà du texte, PDF en texte le lit dans votre navigateur, sans l’envoyer. Et une photo ou un dessin sans aucun mot ne donne rien à trouver à l’OCR.

Où s’arrête notre OCR PDF

OCR PDF fonctionne sur notre serveur, pas dans votre navigateur. Le fichier est envoyé quand vous cliquez sur « Reconnaître le texte » et supprimé dès la fin de la tâche. Le résultat reste téléchargeable pendant une heure et il est effacé du serveur sous deux heures environ.

Une tâche prend un PDF de 300 Mo et de 500 pages au maximum. Vous pouvez lancer 30 tâches par heure, tous outils utilisant notre serveur confondus. Un livre plus long passe en plusieurs parties : notre guide pour numériser un livre couvre l’appareil photo, les parties et les trois modes.

L’outil lit n’importe laquelle des 15 langues du menu, jusqu’à trois à la fois. Avant de cliquer sur « Reconnaître le texte », choisissez la langue du scan dans « Langue du document » : une page en russe lue comme de l’anglais revient en lettres latines. Pour obtenir plutôt un document modifiable, PDF en Word reconnaît le scan dans la langue choisie dans « Langue de l’OCR », sous « Plus de réglages ».

Une image ou une capture d’écran n’a pas du tout besoin de passer par un PDF. Image en texte lit les JPG, PNG et autres images dans votre navigateur et vous donne un fichier .txt. OCR PDF fait partie des plus de 200 outils gratuits de PulsarKit, sans compte ni abonnement.