PDF scanné en texte (OCR)

Obtenir une lecture plus fiable

Chaque page est rendue à 200 DPI avant d’être lue : la limite vient donc du scan lui-même. Du texte courant numérisé à 300 DPI est bien reconnu ; une photo de page prise de biais avec un téléphone, ou un scan de qualité fax contenant de petits caractères, entraîne des approximations. Les pages placées sur le côté ou à l’envers sont très mal lues. Remettez-les à l’endroit avec rotation de PDF avant de lancer la reconnaissance.

Sélectionnez la langue du document, car chaque langue correspond à un modèle distinct. Le chinois est proposé avec des modèles simplifié et traditionnel, et choisir le mauvais modèle réduit fortement la précision. Pour un document mélangeant deux langues, la meilleure reconnaissance est généralement obtenue avec celle qui représente la plus grande partie du texte.

Vérifier le résultat

Le score de confiance est une moyenne calculée sur toutes les pages : une page illisible peut donc être masquée par un bon score général. Un score d’environ 90 ou plus signifie généralement que les erreurs sont occasionnelles ; en dessous de 75, attendez-vous à des erreurs dans la plupart des paragraphes. Les confusions courantes sont 0 et O, 1, l et I, rn lu comme m, ainsi que 5 lu comme S. Elles comptent surtout dans les montants, les dates et les numéros de référence : vérifiez donc chaque chiffre sur la page.

Laissez l’option Join lines into paragraphs activée pour le texte courant : elle reconstitue les phrases coupées à la fin de chaque ligne imprimée. Désactivez-la pour les adresses, les listes et les tableaux, où les retours à la ligne ont une signification.

Comment l'utiliser

1. Choisissez un PDF scanné.
2. Choisissez la langue du texte.
3. Lisez le résultat puis copiez-le ou téléchargez-le.

Confidentialité et limitations

Votre fichier n’est jamais téléversé. Le moteur de reconnaissance et le modèle de langue sont téléchargés une fois — environ 10 MB — et mis en cache par votre navigateur, puis tout s’exécute sur votre propre machine. Les services d’OCR hébergés fonctionnent à l’inverse : ils veulent le document. Un document long prend du temps, car chaque page est rendue puis lue à son tour.