OCR PDF

Qu’est-ce que l’OCR et qu’est-ce qui change après son exécution ?

La reconnaissance optique de caractères (OCR) transforme une image de texte en véritables caractères qu’un ordinateur peut copier, rechercher et indexer. Un PDF « numérisé » n’est rien d’autre qu’une pile d’images de pages collées dans un conteneur PDF ; les mots que vous voyez sont des pixels, pas des lettres. Après l’OCR, le document possède une couche de texte invisible placée par-dessus ces pixels (de sorte qu’il paraît identique mais que Ctrl+F fonctionne), ou bien vous avez extrait le texte dans un fichier .txt brut que vous pouvez coller ailleurs. Les deux modes sont proposés ci-dessus.

Comment fonctionne l’OCR sur cette page

Nous utilisons Tesseract.js — la compilation en WebAssembly du moteur open source Tesseract de Google — qui s’exécute dans l’onglet de votre navigateur. Lorsque vous cliquez sur Lancer l’OCR :

1. Chaque page de votre PDF est rastérisée sur un canevas à 300 PPP avec PDF.js.
2. Les pixels du canevas sont transmis à Tesseract.js, qui renvoie le texte reconnu plus les cadres englobants par ligne.
3. Pour le PDF interrogeable, nous copions vos pages originales dans un nouveau PDF et superposons le texte reconnu avec une opacité de 0 : invisible à l’œil, mais sélectionnable et interrogeable.
4. Pour Texte uniquement, nous concaténons le texte de chaque page dans un seul fichier .txt.

Aucune de ces étapes n’appelle un serveur : PDF.js, Tesseract.js et pdf-lib s’exécutent côté client. La seule requête réseau liée à l’OCR est le téléchargement unique du modèle de langue entraîné (de l’ordre de 5 à 15 Mo par langue), que votre navigateur met ensuite en cache pour la prochaine fois.

Des attentes honnêtes

• Texte imprimé propre à 300 PPP : en général de 95 % à 98 % de précision par caractère. Suffisant pour rechercher et pour copier/coller avec une légère correction.
• Basse résolution (moins de 200 PPP) ou pages photographiées : la précision s’effondre ; Tesseract a besoin de bords de lettres nets. Re-numérisez à un PPP plus élevé si vous le pouvez.
• Mises en page multi-colonnes et tableaux : le texte revient ligne par ligne à travers les colonnes. Nous ne le réorganisons pas dans un ordre de lecture logique. Pour les tableaux, envisagez PDF vers Excel.
• Écriture manuscrite : non prise en charge de façon fiable. Tesseract est entraîné sur la typographie imprimée ; les caractères manuscrits reviennent souvent illisibles.
• Mélange intense d’alphabets : si une page est moitié arabe et moitié latine, choisissez celui qui prédomine. L’OCR multi-alphabet est possible, mais plus lent et moins précis.

Confidentialité et sécurité

L’OCR est une catégorie où le traitement dans le navigateur s’avère particulièrement précieux. Les documents numérisés sont souvent ce que les gens possèdent de plus sensible — copies de passeport, déclarations fiscales, contrats, dossiers médicaux, baux — et les envoyer sur un serveur tiers crée une trace que vous ne pouvez pas effacer. Comme chaque octet de la chaîne s’exécute en local, il n’y a pas de téléversement à consigner, pas de fichier temporaire à réquisitionner, pas de période de rétention à laquelle se fier. Le moteur d’OCR lui-même est open source et inspectable.