Du scan au texte modifiable : comment fonctionne l'OCR et comment obtenir de bons résultats
L'OCR transforme une photo ou un scan de page en texte que vous pouvez copier et modifier. Comment il fonctionne, pourquoi il échoue parfois, et ce que vous pouvez faire pour obtenir un texte propre du premier coup.
Ce que fait l'OCR
Un scan ou une photo de page n'est qu'une image : pour un ordinateur, des points noirs et blancs. La reconnaissance optique de caractères (OCR) repère les lignes de texte dans cette image, les sépare en mots et en caractères, et demande à un modèle entraîné quelle lettre correspond le plus probablement à chaque forme. Le résultat est du texte brut que vous pouvez rechercher, copier et modifier.
Tous les PDF n'ont pas besoin d'OCR. Un PDF exporté depuis un traitement de texte ou un navigateur contient déjà le vrai texte, et un bon outil le lit directement — plus vite et sans erreur. Notre outil PDF en Word fait exactement cela, et ne se rabat sur l'OCR que pour les pages qui s'avèrent être des scans.
Pourquoi l'OCR se trompe
- Une résolution trop faible — des lettres de quelques pixels de haut ne peuvent pas être distinguées.
- Le flou et le mouvement — une photo de téléphone prise d'une main tremblante étale les contours sur lesquels le modèle s'appuie.
- L'inclinaison et la perspective — une page photographiée de biais a des lignes qui ne sont pas droites.
- Les ombres et un contraste insuffisant — du texte gris sur du papier gris, ou une ombre en travers de la page.
- Les polices inhabituelles et l'écriture manuscrite — plus on s'éloigne de l'imprimé ordinaire, plus il faut deviner.
- Les colonnes et les tableaux — le texte peut être lu correctement, mais dans le mauvais ordre.
Comment obtenir un bon scan
- Scannez à 300 dpi ; pour les très petits caractères, 400. Davantage n'aide que rarement.
- Avec un téléphone : tenez-le parallèle à la page, utilisez une lumière uniforme sans ombres, et servez-vous du mode document de votre appareil photo ou d'une application de numérisation.
- Recadrez sur la page et redressez-la avant la lecture.
- Le noir et blanc ou les niveaux de gris suffisent ; la couleur ajoute du poids, pas de la précision.
Un scan propre à 300 dpi d'une lettre imprimée ordinaire est généralement lu presque parfaitement. Une photo prise à la hâte d'un ticket froissé dans une pièce sombre ne l'est pas, quel que soit le logiciel utilisé.
Choisir le bon outil
- Une photo ou une capture d'écran de texte — Image en texte (OCR) la lit et vous donne le texte à copier.
- Un PDF scanné qui doit devenir un document modifiable — PDF en Word lit les pages numériques directement et les pages scannées par OCR.
- Des tableaux dans un PDF — PDF en Excel place les données dans des lignes et des colonnes sur lesquelles vous pouvez faire des calculs.
- Plusieurs photos de pages qui doivent former un seul document — rassemblez-les d'abord dans un seul fichier avec Image en PDF.
Notre OCR intégré lit dix langues : l'anglais, le néerlandais, l'allemand, le français, l'espagnol, l'italien, le polonais, le portugais, le turc et l'arabe. Vous choisissez la langue du texte ; en arabe, vérifiez les chiffres. Les PDF numériques conservent leur langue, quelle qu'elle soit, parce que leur vrai texte est utilisé directement.
Tableaux, formulaires et écriture manuscrite
Le texte courant est le cas facile. Trois sortes de pages demandent une attention particulière :
- Les tableaux — l'OCR lit les mots, mais pas toujours la grille. Les colonnes peuvent être lues en travers au lieu de haut en bas, et une cellule vide peut décaler le reste d'une ligne d'une colonne vers la gauche. Vérifiez la structure, pas seulement l'orthographe ; pour les tableaux dans un PDF, PDF en Excel conserve les lignes et les colonnes autant que possible.
- Les formulaires — les intitulés imprimés sont bien lus, mais les mentions manuscrites dans les cases sont difficiles, et les cases à cocher ne sont pas du texte du tout. Attendez-vous à saisir vous-même les valeurs remplies.
- L'écriture manuscrite — l'OCR généraliste est conçu pour l'imprimé. Des capitales d'imprimerie soignées peuvent fonctionner ; l'écriture cursive, la plupart du temps, non. Reconnaître l'écriture manuscrite est un problème distinct, bien plus difficile.
Un exemple pratique : une pile de tickets de caisse
Supposons que vous vouliez les montants de vingt tickets de caisse en papier dans un tableur. Photographiez chacun à plat sur une table sombre, sous une bonne lumière, à la verticale juste au-dessus, en remplissant le cadre. Lisez-les un par un avec Image en texte (OCR) et copiez les totaux ; les tickets thermiques s'effacent, alors faites-le avant que l'impression ne disparaisse. Pour l'archivage, réunissez les photos dans un seul PDF avec Image en PDF — les images elles-mêmes restent la preuve ; le texte extrait n'est qu'une commodité.
Relisez toujours
L'OCR n'est jamais parfait, alors vérifiez le résultat — surtout les chiffres. Les confusions typiques sont 0 et O, 1 et l et I, « rn » et « m », « cl » et « d ». Dans les montants, les factures et les mesures, un chiffre faux compte plus que dix lettres fausses ; comparez les totaux avec l'original. Un correcteur orthographique rattrape beaucoup d'erreurs de lettres en une seule passe.
Pourquoi l'endroit où tourne l'OCR compte
Les documents que l'on scanne sont souvent les plus privés : contrats, fiches de paie, courriers médicaux, pièces d'identité. Sur Convertburda, l'OCR tourne dans votre propre navigateur. La première fois, votre navigateur télécharge le moteur de lecture (quelques mégaoctets) et le conserve ; ensuite, vos scans ne quittent jamais votre appareil. Plus à ce sujet dans notre guide Convertir des fichiers en toute confidentialité.