Convertir un PDF scanné en texte avec l'OCR

Pourquoi on ne peut pas chercher dans un PDF scanné

Vous ouvrez un contrat scanné, vous tapez Ctrl+F pour trouver « résiliation », et le lecteur répond : aucun résultat. Le mot est pourtant là, sous vos yeux. La raison est simple : un PDF issu d'un scanner ou d'une application de numérisation sur téléphone ne contient pas de texte. Chaque page est une photo de la page, rangée dans une enveloppe PDF. Pour l'ordinateur, la lettre « a » n'existe pas : il n'y a que des pixels plus ou moins foncés.

Trois signes permettent de le reconnaître en dix secondes :

• la recherche (⌘F sur Mac, Ctrl+F sur Windows) ne trouve rien, même un mot évident du titre ;
• quand vous essayez de sélectionner une ligne, c'est toute la page qui se sélectionne comme un bloc, ou rien du tout ;
• en zoomant fort, les bords des lettres deviennent flous ou pixelisés au lieu de rester nets.

L'OCR (reconnaissance optique de caractères) résout ce problème. Le logiciel analyse l'image, repère les lignes, découpe les mots et devine chaque caractère. Ensuite, et c'est le point que beaucoup ignorent, il ne remplace pas votre scan : il dépose le texte reconnu dans une couche invisible, placée exactement au-dessus des mots de l'image. Visuellement, le document reste identique, avec son tampon, sa signature manuscrite et ses taches de café. Mais quand vous cherchez « résiliation », le lecteur trouve le mot dans la couche invisible et surligne l'endroit correspondant de l'image. Vous pouvez aussi sélectionner une phrase et la copier dans un mail.

C'est ce qu'on appelle un PDF consultable, ou PDF cherchable. Ce n'est pas encore un document modifiable : pour changer le texte, il faudra l'exporter vers un traitement de texte, ce que nous verrons à la fin.

Bien numériser pour reconnaître le texte d'un PDF scanné

Pour reconnaître le texte d'un PDF scanné, le moteur d'OCR ne peut lire que ce que l'image montre. La qualité du résultat se joue donc surtout au moment de la numérisation, pas après. Voici les réglages qui comptent vraiment.

1. 300 ppp. C'est la résolution de référence pour du texte imprimé en corps 10 à 12. En dessous, autour de 150 ppp, les petites lettres se touchent et le moteur confond « rn » et « m », « l » et « 1 », « O » et « 0 ».
2. Noir et blanc ou niveaux de gris pour un document texte. La couleur n'aide pas la reconnaissance et alourdit le fichier. Gardez la couleur seulement si le document contient des surlignages ou des tampons qui ont un sens.
3. La page bien droite. Posez-la contre le bord de la vitre. Un document penché de quelques degrés oblige le moteur à suivre des lignes obliques et les erreurs augmentent en bout de ligne.
4. Un contraste propre. Fond blanc, encre foncée. Évitez le mode « photo » du scanner, qui adoucit les contours. Pour un ticket de caisse pâli, augmentez le contraste dans les réglages du scanner plutôt qu'après coup.
5. Pas d'ombre du dos. Avec un livre ou un registre relié, la partie près de la reliure se courbe et s'assombrit : c'est là que l'OCR rate le plus de mots. Appuyez doucement sur le dos ou numérisez une page à la fois en ouvrant le livre à plat.

Avec un téléphone, les mêmes règles s'appliquent : lumière du jour sans reflet, téléphone parallèle à la feuille, page entière dans le cadre sans fond de table autour. Si vous avez pris plusieurs photos de pages, vous pouvez les rassembler avec convertir des JPG en PDF avant de lancer la reconnaissance.

Ce qui sort le moins bien, même avec un scan soigné :

• le texte très petit (notes de bas de page, conditions générales en corps 6 ou 7) : à 300 ppp, chaque lettre ne fait que quelques pixels de haut ;
• les tableaux : les mots sont reconnus, mais l'OCR lit souvent ligne par ligne d'un bord à l'autre de la page, si bien que les colonnes se mélangent quand vous copiez le texte ;
• l'écriture manuscrite, qu'il ne faut pas espérer retrouver de façon fiable ;
• le texte posé sur un fond imprimé ou une photo, comme sur une brochure.

Une mise en garde honnête. On lit souvent qu'il faut numériser à 600 ppp « pour être tranquille ». Pour un courrier ou une facture ordinaire, c'est une fausse bonne idée : le fichier devient beaucoup plus lourd et la reconnaissance n'est pas meilleure. Réservez 400 à 600 ppp aux pages qui contiennent réellement des caractères minuscules. Autre piège : vouloir rattraper un scan flou avec un outil d'IA. Pour une photo de famille, corriger une photo floue donne de bons résultats, mais sur du texte, un modèle qui reconstruit les détails peut dessiner un 3 là où il y avait un 8. Le chiffre aura l'air net et sera faux. Pour un document dont les chiffres comptent, la seule bonne solution est de numériser à nouveau.

OCR PDF gratuit sur Mac et Windows, sans envoi en ligne

Beaucoup de sites proposent un OCR PDF gratuit en ligne. Le principe est toujours le même : vous envoyez votre fichier sur leur serveur. Or ce qu'on numérise, ce sont souvent des bulletins de salaire, des actes notariés, des dossiers médicaux, des pièces d'identité. Airpic PDF prend le chemin inverse : c'est une application de bureau gratuite, sans compte, et la reconnaissance se fait sur votre ordinateur. Le fichier ne part nulle part, ce qui veut dire aussi que l'OCR fonctionne hors connexion, dans un train ou dans un bureau sans réseau.

Le moteur dépend du système :

• Sur Mac (macOS 12 ou plus récent), Airpic PDF utilise le moteur de reconnaissance de texte intégré au système, celui que macOS emploie déjà pour lire le texte dans les photos.
• Sur Windows (10 et 11), il utilise un moteur open source entraîné pour l'alphabet latin, livré avec l'application : rien à télécharger en plus.

Quelles langues ? Celles qui s'écrivent en alphabet latin et que l'on scanne le plus souvent : français, anglais, espagnol, allemand, italien, portugais, avec leurs accents, cédilles et trémas. Un « é » reste un « é », un « ç » reste un « ç ». En revanche, ne comptez pas sur l'outil pour les écritures non latines : un document en russe, en grec, en arabe, en chinois ou en japonais ne sera pas reconnu correctement. Si votre document mélange du français et quelques mots dans un autre alphabet, seuls les passages en alphabet latin seront fiables.

Un détail pratique : l'interface d'Airpic PDF est pour l'instant en espagnol. Les boutons utiles ici sont « OCR », qui porte le même nom dans toutes les langues, et « Exportar », qui veut dire Exporter. Les installeurs ne sont pas encore signés : au premier lancement, macOS ou Windows affichent un avertissement de sécurité, et la page de téléchargement explique comment le passer sans désactiver les protections du système.

Rendre un PDF consultable : ce qu'il faut vérifier ensuite

Rendre un PDF consultable ne garantit pas que chaque mot soit juste. Le moteur ne vous signale pas ses doutes : un mot mal lu ressemble, dans la couche invisible, à un mot bien lu. Concentrez la relecture là où une erreur coûte cher.

• Les noms propres. Un nom de famille rare ou un nom de rue n'est dans aucun dictionnaire, le moteur ne peut pas s'appuyer sur le contexte pour le corriger. « Lhermitte » peut devenir « Lherrnitte ».
• Les chiffres. Montants, numéros de dossier, IBAN, numéros de sécurité sociale. Les confusions classiques : 1 et 7, 5 et 6, 0 et 8, et la virgule décimale qui disparaît.
• Les dates. Un 12/03 qui devient 12/08 passe inaperçu à la lecture rapide et fausse une recherche par date.

La vérification en trente secondes. Ouvrez le PDF dans n'importe quel lecteur et cherchez trois mots que vous savez présents : un mot courant de la première page, un nom propre et un nombre, par exemple le numéro de la facture. Si les trois sont trouvés et surlignés au bon endroit, la couche de texte est en place et de bonne qualité. Si le nom propre ou le nombre ne sort pas, cherchez-en seulement une partie (les quatre premières lettres du nom, les trois derniers chiffres du numéro) : vous repérerez ainsi le caractère mal reconnu.

Faites aussi un test de copie : sélectionnez un paragraphe, collez-le dans un éditeur de texte simple. Vous verrez immédiatement l'ordre de lecture retenu par le moteur. C'est là qu'on découvre si un document en deux colonnes a été lu colonne par colonne, ou ligne par ligne à travers les deux colonnes.

Si le fichier final est trop lourd pour être envoyé, la couche de texte n'y est presque pour rien : ce sont les images des pages. Vous pouvez alors compresser un PDF, dans l'application ou directement dans le navigateur. L'article compresser un PDF pour l'envoyer par mail détaille les niveaux à choisir.

Pas à pas : du PDF scanné au texte, puis au fichier Word

Voici la méthode complète pour convertir un PDF scanné en texte avec Airpic PDF, du scan brut jusqu'au fichier Word si vous devez retravailler le contenu.

1. Installez et ouvrez Airpic PDF sur votre Mac ou votre PC Windows. Aucun compte n'est demandé.
2. Ouvrez le PDF scanné. Les miniatures des pages s'affichent sur le côté. Vérifiez qu'aucune page n'est à l'envers ou dans le désordre : si c'est le cas, remettez-les en ordre avant l'OCR, pour que le texte reconnu suive le bon sens de lecture.
3. Choisissez les pages. Par défaut, l'OCR traite tout le document. Pour un dossier de 80 pages dont seules 5 vous intéressent, sélectionnez d'abord ces pages dans les miniatures : le traitement sera plus court.
4. Cliquez sur « OCR » et confirmez. L'application reconnaît le texte page par page et ajoute la couche invisible. L'apparence des pages ne change pas : c'est normal.
5. Enregistrez. Gardez si possible l'original scanné à côté, sous un autre nom : vous aurez toujours la source si vous devez relancer la reconnaissance après un nouveau scan.
6. Vérifiez avec la recherche de trois mots décrite plus haut (⌘F ou Ctrl+F), dans Airpic PDF ou dans n'importe quel autre lecteur.
7. Exportez en Word si vous devez modifier le texte. Cliquez sur « Exportar » (Exporter), puis « Word (.docx) ». Vous obtenez un document modifiable avec le texte reconnu, ses paragraphes et les images. La fonction convertir un PDF en Word exige justement que l'OCR ait été fait d'abord : sur un scan sans couche de texte, il n'y aurait rien à extraire. Si vous voulez seulement le texte brut, « Exportar » propose aussi un fichier .txt.

Dans le fichier Word, attendez-vous à retoucher les mises en page complexes : les colonnes et les encadrés peuvent bouger, et les tableaux scannés demandent souvent d'être reconstruits à la main. Pour un courrier, un rapport ou un chapitre de livre, le texte est prêt à être corrigé et réutilisé.

Pour obtenir un PDF consultable en quelques clics, sur votre ordinateur et sans envoyer vos documents, téléchargez l'outil OCR PDF gratuit d'Airpic PDF.

FAQ

À lire ensuite