Un PDF issu d’un scanner ou d’une photo ne contient aucune donnée textuelle exploitable. Le fichier affiche une image de page, rien de plus. Pour rendre un PDF lisible par OCR, il faut superposer une couche de texte reconnu par un moteur de reconnaissance optique de caractères. La qualité du résultat dépend de paramètres que la plupart des guides en ligne passent sous silence : résolution du scan, prétraitement de l’image, distinction entre PDF natif et PDF image.
PDF natif ou PDF scanné : deux fichiers que l’OCR ne traite pas de la même façon
Avant de lancer un outil OCR, la première étape consiste à déterminer si le fichier contient déjà du texte natif. Un PDF généré depuis Word, InDesign ou un logiciel de facturation embarque du texte sélectionnable. Lui appliquer un traitement OCR est contre-productif.
A lire également : Qu'est-ce qui va remplacer Access ?
L’OCR sur un PDF natif peut introduire des erreurs de reconnaissance inutiles et ralentir le traitement. Le moteur tente de lire une image de caractères déjà encodés, ce qui génère des doublons ou des substitutions de lettres. L’extraction directe du texte existant reste alors préférable.
Pour vérifier la nature du fichier, ouvrez-le dans n’importe quel lecteur PDF et tentez de sélectionner du texte avec le curseur. Si aucune sélection ne se dessine, le document est une image : c’est le cas typique d’un scan ou d’une photo de document.
Lire également : Est-il dangereux d'ouvrir une pièce jointe en PDF ?
| Type de PDF | Contient du texte natif | OCR recommandé | Action adaptée |
|---|---|---|---|
| PDF créé depuis Word, InDesign | Oui | Non | Extraction directe du texte |
| PDF scanné (image) | Non | Oui | Reconnaissance optique de caractères |
| PDF mixte (pages natives + scans) | Partiellement | Sur les pages image uniquement | OCR ciblé page par page |
Résolution et prétraitement : ce qui détermine la précision de la reconnaissance OCR
La majorité des erreurs de reconnaissance ne viennent pas du moteur OCR lui-même. Elles viennent du fichier source. Un scan à basse résolution, un document incliné ou une image surcompressée dégradent la lisibilité avant même que l’algorithme n’intervienne.
Résolution minimale du scan
Les moteurs OCR fonctionnent de façon fiable à partir d’une résolution suffisante. En dessous, les caractères fins, les accents et la ponctuation deviennent ambigus. Un scan trop compressé en JPEG produit des artefacts qui faussent la reconnaissance, en particulier sur les caractères à empattement ou les polices de petite taille.
Étapes de prétraitement utiles
Certains outils intègrent des fonctions de nettoyage automatique. D’autres exigent un prétraitement manuel avec un logiciel d’image. Voici les corrections qui améliorent le taux de reconnaissance :
- Le redressement (deskew) corrige l’inclinaison du document scanné, ce qui évite au moteur de confondre des lignes adjacentes.
- La binarisation convertit l’image en noir et blanc pur, supprimant les nuances de gris et le bruit de fond qui parasitent la lecture.
- La suppression des artefacts élimine les taches, ombres de reliure et marques de pliure qui peuvent être interprétées comme des caractères.
Ces traitements s’appliquent avant l’OCR. Sur un document propre et bien scanné, ils sont superflus. Sur un scan de mauvaise qualité, ils changent radicalement le résultat.
Outils OCR en ligne et logiciels : fiabilité comparée sur les documents complexes
Les outils gratuits en ligne (iLovePDF, PDF24, Smallpdf) permettent de traiter rapidement un fichier scanné. Ils conviennent aux documents simples : texte courant, mise en page linéaire, une seule langue.
En revanche, sur des documents à structure complexe (tableaux, colonnes multiples, formulaires, textes multilingues), les outils en ligne peinent à restituer l’ordre de lecture correct. Le texte reconnu peut mélanger les colonnes ou ignorer les cellules d’un tableau.
Les logiciels installés localement, comme Adobe Acrobat Pro ou les bibliothèques open source de type Tesseract, offrent plus de contrôle sur les paramètres de reconnaissance. Tesseract, par exemple, accepte des fichiers de configuration pour définir la langue, le type de segmentation de page et le dictionnaire de référence. Ce niveau de réglage n’existe pas dans les interfaces web simplifiées.
Un autre critère souvent négligé concerne la confidentialité. Un outil en ligne implique l’envoi du fichier sur un serveur distant. Pour des documents sensibles (contrats, données médicales, pièces d’identité), un traitement local reste la seule option sûre.
OCR et accessibilité PDF : pourquoi la reconnaissance de texte ne suffit pas
Rendre un PDF lisible par OCR ajoute une couche de texte invisible sous l’image. Le contenu devient cherchable, copiable, indexable par les moteurs de recherche. Pour autant, un PDF passé à l’OCR n’est pas un PDF accessible au sens des normes.
La norme PDF/UA (Universal Accessibility) exige bien plus qu’une couche de texte. Elle impose de définir l’ordre de lecture logique, de baliser chaque élément structurel (titres, listes, tableaux, images avec texte alternatif) et de renseigner la langue du document.
Depuis le 28 juin 2025, l’European Accessibility Act renforce ces obligations pour de nombreux produits et services numériques en Europe. L’OCR seul ne constitue pas une preuve de conformité aux exigences d’accessibilité. Un document doit être perceptible, utilisable et compatible avec les technologies d’assistance, comme les lecteurs d’écran.
Concrètement, après l’OCR, un travail de balisage structurel reste nécessaire :
- Définir la hiérarchie des titres pour que le lecteur d’écran puisse naviguer entre les sections.
- Marquer les tableaux avec leurs en-têtes de lignes et de colonnes, sans quoi les données restent incompréhensibles hors contexte visuel.
- Ajouter un texte alternatif à chaque image porteuse de sens, y compris les graphiques et schémas.
- Vérifier le résultat final avec un outil de contrôle d’accessibilité ou un lecteur d’écran.
La distinction entre PDF cherchable et PDF accessible reste mal comprise. L’OCR traite la première couche. Le balisage structurel, lui, relève d’un travail éditorial qui ne peut pas être entièrement automatisé. Les organisations soumises à des obligations légales d’accessibilité doivent prévoir cette étape après la reconnaissance de caractères, pas à sa place.
