Texte PDF natif ou OCR : modifier un PDF numérisé

Optimiser la précision de l'OCR avant la reconnaissance

L'OCR déchiffre des pixels, pas des lettres : sa précision dépend presque entièrement de la qualité de l'image d'entrée. Un scan propre à 300 DPI donne des résultats nettement meilleurs qu'une photo floue à 72 DPI, quel que soit le moteur utilisé.

• 300 DPI, la résolution de référence. En dessous de 150 DPI, les caractères deviennent ambigus ; au-delà de 600 DPI, le gain est marginal pour des fichiers bien plus lourds.
• Numérisez directement à la bonne résolution. Agrandir ensuite une petite image n'ajoute aucun détail : l'information manquante ne se recrée pas.
• Pages droites. Redressez les pages penchées : un angle de 2 à 3 degrés suffit à faire chuter la précision de reconnaissance.
• Contraste franc. Encre noire sur blanc, pas de surlignage sur le texte à reconnaître, éclairage uniforme sans ombre portée.
• Évitez le scan d'un scan. Chaque génération ajoute du bruit et de la compression ; repartez du document papier quand c'est possible.

Choisissez ensuite la langue avant de lancer la reconnaissance : l'OCR de l'éditeur fonctionne en français et en anglais. Une mauvaise langue active le mauvais dictionnaire — des mots français analysés avec un modèle anglais produisent des lettres fantaisistes. Pour un document bilingue, reconnaissez si possible les pages françaises et anglaises séparément.

Préférez une vraie application de numérisation à une simple photo : les applications de scan redressent automatiquement la page, uniformisent l'éclairage et enregistrent directement en PDF. Si vous photographiez avec l'appareil photo standard, vérifiez que le flash est désactivé et que l'image n'est pas compressée à l'extrême — une compression JPEG agressive efface les détails des petits caractères.

PDF hybrides : traiter chaque page selon sa nature

Un même PDF mélange souvent les deux mondes : un contrat généré par un logiciel (pages natives) auquel on a joint les scans des pièces d'identité (pages images). Lancer l'OCR sur tout le document est un gaspillage de temps — et risque d'écraser du texte natif parfaitement propre par une reconnaissance approximative.

Le test est simple et se fait page par page : essayez de sélectionner du texte à la souris. Si la sélection suit les mots, la page est native — n'y touchez pas, l'OCR n'apporterait rien. Si la souris ne sélectionne qu'un bloc ou rien du tout, la page est une image — c'est une candidate pour l'OCR.

Autre indice utile : la taille du fichier. Une page native de texte pèse quelques kilo-octets ; une page scannée en 300 DPI pèse plusieurs centaines de kilo-octets, voire des méga-octets. Un PDF de 40 pages qui pèse 60 Mo est presque certainement un recueil de scans — prévoyez du temps et traitez-le par lots.

Après chaque reconnaissance, comparez la ligne OCR avec le scan original : l'OCR assiste la modification, il ne recrée pas la typographie du document. Conservez le document original à côté de la version modifiée pour toute vérification ultérieure.

Reconnaissance défaillante : tableau de dépannage

Quand le résultat de l'OCR est inutilisable, le problème vient presque toujours de l'entrée ou du réglage — rarement du moteur lui-même. Parcourez ce tableau en partant du symptôme.

Si le document est très volumineux et que la reconnaissance semble bloquée, annulez et traitez les pages par petits lots : quelques pages à la fois restent rapides et stables, et vous repérez les erreurs au fil de l'eau.

Règle de décision : si plus d'un mot sur dix reste faux après correction des réglages, recopier le passage à la main dans une zone de texte est plus rapide que de corriger ligne par ligne. L'OCR reste utile pour repérer la structure du document, même quand vous retapez le contenu.

Scénarios réels : factures, contrats, archives

Factures et relevés. Chiffres et tableaux dominent, et une erreur d'OCR sur un montant change le sens du document. Vérifiez chaque chiffre contre l'image, en particulier les confusions classiques : 0 et O, 1 et I, 5 et S. Pour un simple archivage, une reconnaissance imparfaite suffit ; dès que vous corrigez, relisez tout.

Contrats. Le texte est dense et la moindre modification engage. Lancez l'OCR page par page dans l'éditeur, corrigez, puis relisez le document exporté intégralement avant tout envoi. Gardez le scan original comme pièce de référence : en cas de litige, c'est lui qui fait foi, pas la version reconstruite.

Archives anciennes. Encres pâles, papiers jaunis, polices d'époque : attendez-vous à une précision moindre et prévoyez une relecture attentive. Ici, l'OCR sert surtout à rendre le document cherchable et modifiable ; le scan original reste la version de référence.

Documents techniques et plans. Légendes, cotes et annotations sont souvent en petites capitales ou en italique, deux styles que l'OCR confond facilement. Vérifiez particulièrement les unités et les chiffres des cotes, et comparez le document exporté au scan à 100 % de zoom avant diffusion.

Dans les trois cas, toute la reconnaissance s'exécute localement : factures, contrats et archives ne quittent jamais votre navigateur, ce qui est essentiel pour des documents sensibles.