Comment rendre un PDF scanné recherchable grâce à l’OCR

Vous tapez Ctrl+F dans un PDF scanné et rien ne sort, alors que le mot est là, sous vos yeux. La raison : la page est une photo de texte, pas du texte. Voici comment corriger cela proprement, et comment vérifier le résultat avant de vous y fier.

Pourquoi la recherche ne trouve rien

Quand un scanner ou l’appareil photo d’un téléphone transforme une page en PDF, il enregistre une photo. Le PDF n’est qu’une enveloppe autour de cette image. Pour vous, cela ressemble à du texte. Pour l’ordinateur, c’est une grille de points colorés, sans rien à chercher, sélectionner ou copier.

Un test rapide : essayez de sélectionner une seule ligne. Si rien ne se surligne, ou si toute la page est sélectionnée d’un bloc, vous avez affaire à une image.

Ce que fait réellement l’OCR

OCR signifie reconnaissance optique de caractères. Le logiciel analyse les formes sur la page, identifie les lettres et écrit les mots dans une couche invisible placée exactement derrière l’image. La page ne change pas d’aspect, mais il y a désormais du vrai texte dessous.

Ce seul changement débloque beaucoup de choses : la recherche fonctionne, vous pouvez sélectionner et copier une phrase, et les lecteurs d’écran peuvent lire la page à voix haute. Gardez une chose en tête : l’OCR reste une estimation. Un bon scan donne une très bonne estimation. Un mauvais scan donne des erreurs que vous ne remarquerez qu’au moment où un mot cherché reste introuvable.

Commencez par un scan propre

La qualité du résultat dépend bien plus du scan que du logiciel. Avant de lancer l’OCR :

• Gardez la page à plat et droite. Les lignes courbées près de la reliure et les pages de travers causent la plupart des erreurs.
• Éclairez uniformément. L’ombre de votre téléphone ou de votre main suffit à faire perdre quelques lignes.
• Soyez net. Restez immobile et touchez l’écran pour faire la mise au point. Des lettres floues deviennent de mauvaises lettres.
• Prévoyez assez de résolution. Environ 300 dpi est la recommandation habituelle pour du texte courant. Beaucoup moins, et les petits caractères se dégradent.
• Recadrez les bords. Les marges sombres, les doigts et le bord de la page suivante perturbent la détection de la mise en page.

Ce qui pose problème à l’OCR

• L’écriture manuscrite. Le texte imprimé passe bien, les notes à la main rarement.
• Les colonnes et les tableaux. Les mots sont reconnus, mais l’ordre de lecture peut sauter d’une colonne ou d’une cellule à l’autre.
• Les petits caractères et les photocopies pâles. Les notes de bas de page et les copies de copies perdent des détails.
• Ce qui recouvre le texte. Tampons, soulignements et traits de surligneur peuvent couper un mot en deux.
• Les formules. Les notations mathématiques et chimiques sortent rarement correctement.

Vérifiez aussi que la langue choisie correspond au document. L’OCR s’appuie sur la langue pour trancher entre des lettres qui se ressemblent, et ce sont les accents qui souffrent le plus quand elle est mal réglée.

Vérifiez le résultat avant de vous y fier

Un PDF « passé à l’OCR » peut encore être plein de trous. Deux minutes de contrôle vous évitent une recherche qui rate la moitié des résultats :

1. Cherchez trois ou quatre mots bien lisibles, sur des pages différentes.
2. Copiez un paragraphe entier dans un éditeur de texte simple et comparez-le à l’original.
3. Repérez les confusions classiques : « rn » lu comme « m », « l » comme « 1 », « O » comme « 0 », accents disparus.

Si un terme important est mal reconnu, cherchez-en un fragment plus court. « lasticit » trouve à la fois « élasticité » et un « é1asticité » abîmé.

Un exemple concret

Jonas photographie avec son téléphone un chapitre de 30 pages emprunté à la bibliothèque, page après page, et en fait un seul PDF. Quand il cherche « élasticité », rien ne sort.

Il lance l’OCR. La recherche trouve désormais le mot sur la plupart des pages, sauf sur deux pages photographiées sous sa lampe de bureau, où l’ombre de son téléphone tombait sur le texte. Il reprend ces deux pages à la lumière du jour et relance l’OCR. Elles passent.

Une page rate encore un résultat : un trait de surligneur laissé par un lecteur précédent traverse la ligne, et la copie donne « é1asticité ». Il ne peut pas réparer le papier, alors il cherche désormais « lasticit ». Tout le chapitre est consultable, et il connaît son seul point faible.

Savoir où va votre fichier

Beaucoup de sites d’OCR gratuits fonctionnent en envoyant votre fichier sur leur serveur. Pour un article public, aucun souci. Pour un contrat de travail, une fiche de paie, un courrier médical ou le scan de votre carte d’identité, mieux vaut savoir où le fichier atterrit avant de l’envoyer.

C’est pour cette raison que les outils PDF de ClearRead, OCR compris, fonctionnent sur votre propre appareil. Le fichier n’est jamais envoyé en ligne, il n’y a pas de limite quotidienne, et la page garde exactement son aspect, avec la couche de texte ajoutée dessous.

Essayez sur un seul fichier

Prenez le PDF scanné dans lequel vous cherchez le plus souvent. Vérifiez s’il contient déjà du texte, lancez l’OCR si ce n’est pas le cas, et testez-le avec trois mots. Ensuite, trouver une information vous prendra une seconde au lieu de dix minutes de défilement.