OCR PDF — rendre un PDF scanné consultable
Ajoutez 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.
Déposez vos fichiers ici
.pdf · jusqu’à 300 Mo · 30 tâches par heure au maximum · le fichier est envoyé sur notre serveur et supprimé après le traitement ; le résultat est effacé sous deux heures environ
Comment appliquer l’OCR à un PDF scanné
- 1
Envoyez le PDF scanné
Un document qui est en réalité une image de texte, jusqu’à 300 Mo et 500 pages.
- 2
Choisissez la langue du document
Choisissez jusqu’à trois langues si le document en mélange, et décidez de passer ou non les pages qui contiennent déjà du texte.
- 3
Téléchargez le PDF consultable
Mêmes pages, dans le même ordre, mais le texte peut maintenant être sélectionné, copié et recherché avec Ctrl+F.
L’image reste, une couche de texte se place dessous
L’OCR ne transforme pas votre scan en un autre type de document. Il reconnaît les mots sur chaque page et place derrière l’image une couche de texte invisible, positionnée avec précision. Ouvrez le résultat : il ressemble à l’original, sauf les pages inclinées, qui reviennent redressées (voir plus bas), et le texte peut maintenant être sélectionné, et un moteur de recherche, un lecteur d’écran ou votre propre Ctrl+F peut le lire. Le nombre de pages et leur ordre ne changent pas.
Trois modes pour trois situations
Ignorer le texte existant est le choix par défaut et le plus sûr : les pages qui contiennent déjà une couche de texte sont laissées telles quelles, seules les pages purement image sont reconnues. Relancer l’OCR remplace une couche de texte déjà présente, utile quand un précédent passage OCR a donné un mauvais résultat ; ce mode ne fonctionne pas avec le redressement, désactivez donc d’abord « Redresser les pages inclinées » dans « Plus de réglages ». Forcer l’OCR ignore tout texte existant et reconnaît de nouveau chaque page comme une image, ce qui est important quand la couche actuelle est erronée, brouillée ou héritée d’une reconnaissance incorrecte.
Redresser, faire pivoter et nettoyer avant la reconnaissance
Un scan photographié avec un léger angle ou à l’envers réduit fortement la précision de la reconnaissance, donc le redressement et la rotation automatique sont appliqués par défaut avant que Tesseract ne voie la page, et c’est la page redressée qui passe dans le résultat ; désactivez les deux dans « Plus de réglages » pour garder chaque page telle qu’elle était. Un nettoyage de l’arrière-plan est disponible séparément pour les scans avec texture de papier visible ou transparence de la page opposée, au prix d’un temps de traitement un peu plus long.
Traité sur notre serveur, supprimé automatiquement
Pour reconnaître correctement un scan de plusieurs pages, il faut un vrai moteur d’OCR qui tourne sur le serveur, et non une approximation limitée au navigateur, donc le fichier est envoyé pour traitement. Le fichier envoyé est supprimé dès la fin du traitement. Le résultat reste téléchargeable pendant une heure et il est effacé du serveur sous deux heures environ, que vous l’ayez téléchargé ou non. Il n’y a ni inscription ni nettoyage manuel.
Questions fréquentes
Combien de temps mon fichier est-il conservé sur le serveur ?
Le PDF envoyé est supprimé dès la fin du traitement. Le PDF rendu consultable reste téléchargeable pendant une heure et il est effacé du serveur sous deux heures environ, que vous l’ayez téléchargé ou non.
Quelles langues sont prises en charge ?
Quinze, et vous pouvez en choisir jusqu’à trois à la fois pour les documents qui mélangent plusieurs langues dans le même fichier.
Quelle est la différence entre ignorer le texte et forcer l’OCR ?
Ignorer le texte laisse intactes les pages qui contiennent déjà du texte et ne reconnaît que les pages purement image. Forcer l’OCR relance la reconnaissance sur chaque page, qu’elle contienne déjà du texte ou non, ce qui aide quand la couche existante est erronée ou brouillée.
Pourquoi la reconnaissance est-elle mauvaise sur une photo prise avec un téléphone ?
La précision dépend beaucoup d’une source plane, bien éclairée et prise sans angle marqué. Activer le redressement et la rotation aide, mais une photo avec de fortes ombres, du flou ou un angle prononcé donnera toujours un moins bon résultat qu’un scan à plat.
L’apparence des pages change-t-elle ?
Seulement là où la reconnaissance en a besoin. Par défaut, un scan incliné est redressé et une page couchée ou à l’envers est remise à l’endroit, et elles reviennent ainsi dans le résultat. Désactivez « Redresser les pages inclinées » et « Faire pivoter les pages automatiquement » dans « Plus de réglages » pour garder chaque page telle quelle ; Forcer l’OCR transforme en plus chaque page en image.
Puis-je obtenir du texte brut plutôt qu’un PDF ?
Oui. Activez l’option de fichier texte annexe et vous obtenez un ZIP contenant à la fois le PDF et un simple fichier .txt.
Pourquoi n’y a-t-il pas d’option PDF/A ici ?
PDF/A a son propre outil dédié, PDF en PDF/A, qui gère les exigences supplémentaires d’archivage (polices intégrées, profils couleur, validation) dont l’OCR simple n’a pas besoin.
Guides
- Compresser un livre scanné : l’effet de chaque niveau sur 60 pagesSur un forum, quelqu’un demandait comment alléger le scan d’un livre de 580 pages sans abîmer le texte. Nous avons passé un scan de 60 pages par chaque niveau de Compresser un PDF, puis vérifié les pixels, les tailles et les mots.
- PDF en Word sur Mac sans Acrobat : trois méthodes et ce que chacune conserveSur un Mac, Aperçu copie le texte et Pages ne peut pas ouvrir un PDF : la méthode intégrée se résume donc à un copier-coller. Voici ce que conserve chaque méthode, de la conversion propre à Word jusqu’à un outil en ligne qui, sur notre serveur, reconstruit le fichier en DOCX.
- Transformer une pile de pages numérisées en PDF interrogeableUn appareil photo et un scanner à plat ne résolvent pas le même problème, et aucun ne rend le résultat interrogeable à lui seul.
- Transformer une pile de photos en un seul PDF bien ordonnéUn dossier de photos de reçus ou de pages devient un document utilisable en deux étapes distinctes : l’assemblage, puis la mise dans le bon ordre.
- Construire une chaîne de traitement de fichiers à réutiliser à chaque foisLa plupart des traitements réels sur des documents exigent trois ou quatre outils distincts dans un ordre précis, et refaire la chaîne de mémoire à chaque fois fait sauter des étapes.
- Pourquoi un PDF réparé peut encore échouer la validation d’archivageRéparer un PDF qui ne s’ouvre pas et le rendre apte à l’archivage relèvent de deux critères totalement différents. Réussir l’un ne dit rien de l’autre.
- PDF vers Word et retour : ce qui survit vraiment au voyageConvertir un PDF en Word et convertir un document Word en PDF ne sont pas le miroir l’un de l’autre. Dans un sens il faut deviner, dans l’autre non.
Outils associés
PDF en WordTransformez un PDF en fichier DOCX, DOC, ODT ou RTF modifiable, avec OCR pour les scans sans aucune couche de texte. S’exécute sur notre serveur ; les fichiers sont supprimés automatiquement sous deux heures environ.
PDF en texteExtrayez le texte d’un PDF et enregistrez-le dans un fichier .txt brut, en conservant l’ordre de lecture et les colonnes.
Compresser un PDFRéduisez la taille d’un PDF en ré-encodant les images, en supprimant les objets en double et en effaçant les métadonnées, sans envoyer le document nulle part.
PDF en ExcelExtraire les tableaux d’un PDF vers un vrai classeur XLSX, une feuille par tableau, avec un score de précision pour chacun. S’exécute sur notre serveur ; les fichiers sont supprimés automatiquement sous deux heures environ.
PDF en PDF/AConvertissez un PDF en PDF/A-1b, 2b ou 3b pour l’archivage à long terme, puis lisez le résultat de validation veraPDF en texte clair plutôt que caché derrière une coche. S’exécute sur notre serveur ; les fichiers sont supprimés automatiquement sous deux heures environ.