Vous numérisez un document, l'ouvrez dans une visionneuse PDF et essayez de rechercher un mot – rien. Ou vous essayez de sélectionner une ligne de texte et le curseur la saute. Le fichier ressemble à un PDF, mais il se comporte comme une photo. Il s’agit de l’une des frustrations les plus courantes liées aux documents numérisés, et cela peut se produire pour des raisons spécifiques. En voici quatre, ainsi que ce que vous pouvez faire pour résoudre chacun d’entre eux.
1. Le scanner l'a enregistré sous forme d'image, pas de texte PDF
C'est la cause la plus courante. Lorsqu'un scanner capture un document physique, il prend une photographie de la page. Si le logiciel de numérisation n'applique pas la reconnaissance optique de caractères (OCR) au moment de l'enregistrement, il enveloppe simplement cette photo dans un conteneur PDF. Le résultat ressemble exactement à un PDF normal mais ne contient aucun texte réel, juste des pixels disposés pour ressembler à des lettres.
Vous pouvez le confirmer en appuyant sur Ctrl+A (ou Cmd+A sur Mac) dans votre visionneuse PDF. Si rien n'est sélectionné ou si la page entière est sélectionnée comme un seul bloc d'image, vous avez affaire à un PDF contenant uniquement des images.
Le correctif : exécutez le PDF via un outil OCR PDF. L'OCR lit l'image, reconnaît les caractères et intègre du texte réel et consultable dans le fichier. L'outil OCR de WukongPDF sur www.wukongpdf.com fait cela : téléchargez le PDF numérisé, laissez le processus OCR s'exécuter et téléchargez une version dans laquelle le texte est entièrement consultable et sélectionnable.
2. La qualité de numérisation est trop faible pour que l'OCR fonctionne correctement
L'OCR n'est pas magique : elle fonctionne en analysant les modèles de pixels et en les faisant correspondre aux formes de caractères connues. Si la numérisation est floue, biaisée, trop sombre ou capturée à très basse résolution, le moteur OCR a du mal à distinguer les lettres avec précision. Le résultat est soit un texte tronqué, des caractères manquants ou un fichier qui ne peut toujours pas être correctement recherché car le texte reconnu ne correspond pas à ce qui se trouve sur la page.
La résolution minimale pour un OCR fiable est généralement de 300 DPI. En dessous, la précision diminue sensiblement. Les pages inclinées (où le document a été placé légèrement incliné dans le scanner) posent également des problèmes, car les moteurs OCR attendent des lignes de texte horizontales.
La solution : si vous pouvez renumériser, faites-le à 300 DPI ou plus avec le document placé à plat et droit. Si la nouvelle numérisation n'est pas une option, certains outils OCR incluent un prétraitement d'image qui peut redresser et améliorer la numérisation avant la reconnaissance - recherchez cette option avant d'abandonner une numérisation de mauvaise qualité.
3. Le document est dans une langue que le moteur OCR ne prend pas en charge
Les moteurs OCR sont formés sur des langues et des jeux de caractères spécifiques. Un moteur optimisé pour les langues à écriture latine (anglais, français, espagnol, allemand) aura du mal avec l'arabe, le chinois, le japonais, le coréen ou les langues comportant des caractères spécialisés. Même dans les écritures latines, les documents utilisant beaucoup de caractères spéciaux, de signes diacritiques ou de polices inhabituelles peuvent entraîner des problèmes de reconnaissance.
Le correctif : utilisez un outil OCR qui prend explicitement en charge la langue de votre document. La plupart des outils OCR PDF modernes répertorient les langues prises en charge : vérifiez avant le traitement. Si la précision reste médiocre après avoir utilisé le bon paramètre de langue, la qualité de la numérisation est probablement le facteur limitant.
4. Le PDF comporte des paramètres de sécurité qui bloquent l'extraction de texte
Certains fichiers PDF sont délibérément configurés pour empêcher la copie ou l'extraction du texte. Cela se fait via les paramètres d'autorisations PDF : le document peut s'ouvrir correctement et paraître tout à fait normal, mais l'outil de sélection de texte est désactivé et la recherche ne renvoie aucun résultat même si le texte est techniquement là.
Ceci est moins courant avec les documents numérisés et plus courant avec les PDF intentionnellement verrouillés par le créateur (certains documents juridiques, formulaires protégés ou fichiers provenant d'organisations ayant des politiques strictes de contrôle des documents).
Vous pouvez vérifier si tel est le problème en accédant aux propriétés du document dans votre visionneuse PDF (généralement sous Fichier > Propriétés > Sécurité) et en regardant quelles autorisations sont activées. Si la copie de contenu est répertoriée comme non autorisée, c'est votre réponse.
La plupart des PDF numérisés sont une solution en une seule étape
Dans la majorité des cas, un PDF numérisé non consultable nécessite simplement l'application d'une OCR. Le problème de qualité de numérisation est la deuxième cause la plus courante, et il est souvent également réparable. Exécutez votre fichier via l'outil OCR PDF de WukongPDF sur www.wukongpdf.com — c'est le moyen le plus rapide de passer d'une image PDF impossible à rechercher à un document dans lequel vous pouvez réellement trouver ce que vous recherchez.