Rendre un PDF scanné interrogeable

Une couche invisible sur une page inchangée

Le scan est conservé exactement tel quel. Ce qui est ajouté, c'est une couche de texte dessinée dans un mode de rendu invisible — de vrais caractères, positionnés mot par mot sur les mots de l'image, marqués pour ne jamais être peints. La page a l'air identique parce que visuellement rien n'a changé ; sélectionnez une phrase et la surbrillance tombe sur les bons mots, parce que le texte invisible se trouve là où est l'encre visible. C'est la méthode standard pour produire un scan interrogeable, et c'est pourquoi le résultat peut être recherché, copié et indexé tout en restant la photo d'un document.

Deux aspects de la page sont délibérément corrigés, parce que la lecture en avait besoin de toute façon. Une page numérisée sur le côté est remise à l'endroit, et une page passée de travers dans le chargeur est redressée — le résultat est donc souvent plus net que l'original. Les dimensions des pages sont reprises du PDF d'origine au lieu d'être uniformisées : un document aux formats de page mélangés le reste, et rien n'est remis à l'échelle.

La précision dépend presque entièrement du scan, et les écarts sont considérables. Un scan propre à 300 DPI d'un texte imprimé se lit avec une très grande précision ; la même page à 150 DPI se lit nettement moins bien ; une photo prise en biais sous un mauvais éclairage, c'est une tout autre histoire. Si vous maîtrisez la numérisation, 300 DPI en niveaux de gris est le réglage qui compte — une résolution plus élevée aide rarement, et une résolution plus faible pénalise immédiatement. Petits caractères, interlignes serrés, fonds colorés, photocopies de photocopies et tout ce qui est tamponné ou manuscrit posent des difficultés qu'aucun logiciel ne résout entièrement.

Ce qui est volontairement laissé de côté compte autant que ce qui est ajouté. Photos, logos, signatures et éléments décoratifs sont ignorés plutôt que lus, car forcer des lettres à sortir d'une image produit un charabia plausible qui apparaît ensuite dans chaque recherche. Les mots en chinois, japonais et coréen sont reconnus mais exclus de la couche de texte et comptés pour vous, plutôt qu'écrits comme des blancs, jusqu'à l'arrivée d'une police capable de les porter. Rien ici ne recompose le document : les mots de la page restent une image, et la conversion en Word est l'outil qui les transforme en texte modifiable.

Si vous cherchez autre chose

OCRmyPDF est l'outil à côté duquel cette page n'est qu'une commodité, et il est gratuit. ocrmypdf --deskew --rotate-pages in.pdf out.pdf fait le même travail avec plus de contrôle, et vous pouvez ajouter --optimize 3 pour alléger le résultat, --redo-ocr pour remplacer une mauvaise couche existante, et --output-type pdfa pour produire un fichier d'archivage dans la même passe. Il gère des milliers de pages, fonctionne avec un dossier surveillé, et c'est ce qu'utilisent réellement les bibliothèques et les services d'archives.

Pour les documents difficiles — imprimés anciens, mises en page inhabituelles, tableaux chargés — un service hébergé de Google, Amazon ou Microsoft lira des pages que la reconnaissance généraliste ne sait pas lire, parce qu'il a été entraîné sur bien plus de données. C'est une vraie différence de capacité, et elle mérite d'être connue. Mais cela implique aussi d'envoyer vos documents à un tiers, ce qui est précisément le compromis que cette page existe pour éviter — c'est donc le bon choix pour un vieux livre fragile, et le mauvais pour un carton de dossiers médicaux.