Un document numérisé arrive au format PDF. Cela ressemble à un document. Il affiche du texte sur chaque page. Mais lorsque vous essayez de rechercher un mot, la recherche ne renvoie aucun résultat. Lorsque vous essayez de sélectionner du texte avec votre curseur, rien n'est mis en surbrillance. Le PDF est un fichier image uniquement. Chaque page est une photographie du texte, et non du texte lui-même. La conversion de ce PDF contenant uniquement des images en un document texte entièrement consultable nécessite deux étapes : l'OCR pour extraire le texte des images et la conversion vers un format dans lequel le texte est principal et les images sont secondaires.
Les outils OCR basés sur un navigateur peuvent traiter des PDF contenant uniquement des images et ajouter une couche de texte consultable derrière chaque image de page. L'aspect visuel des pages ne change pas. Le calque de texte est invisible jusqu'à ce que vous le sélectionniez ou le recherchiez. Après OCR, le PDF est consultable. La conversion de la sortie OCR dans un format de document texte tel que Word rend le texte modifiable et réutilisable.
Le pipeline OCR PDF vers texte consultable transforme une collection d'images de pages en un document qui se comporte comme s'il avait été créé numériquement. Le texte est consultable, sélectionnable et exportable.
Le processus de conversion en deux étapes
Première étape : téléchargez le PDF contenant uniquement des images vers un outil OCR. L'outil analyse chaque image de page, reconnaît les caractères et ajoute un calque de texte transparent. Téléchargez le PDF traité par OCR. Vérifiez que le texte est désormais consultable. Deuxième étape : convertissez le PDF traité par OCR au format Word ou texte brut. La conversion extrait le texte reconnu et le place dans un document modifiable. Le fichier Word résultant contient le texte du document, prêt à être modifié, formaté et réutilisé.
Les outils OCR WukongPDF ajoutent des calques de texte consultables. Le PDF Converter du PDF traité par OCR vers Word produit du texte modifiable à partir d'originaux contenant uniquement des images.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Gestion de la précision OCR pour les PDF contenant uniquement des images
La précision de l'OCR dépend de la qualité de l'image. Une numérisation nette de 300 DPI du texte imprimé produit une reconnaissance presque parfaite. Une numérisation basse résolution ou une photographie d'un document produit plus d'erreurs. Avant de convertir un PDF volumineux contenant uniquement des images, testez une page. Exécutez l'OCR sur la page et examinez le résultat. Si l’exactitude est acceptable, traitez l’intégralité du document. Si la précision est mauvaise, améliorez la qualité de numérisation et retraitez.
Le PDF numérisé qui a été OCRed et converti en texte est consultable, modifiable et réutilisable. L’original constitué uniquement d’images a rempli son objectif. La version consultable sert son avenir.
Choisir entre un PDF consultable et une conversion de texte intégral
Un PDF consultable préserve les images de la page d'origine avec un calque de texte ajouté. L'aspect visuel est inchangé. Le document est consultable mais non modifiable. Ceci est approprié pour les documents d’archives et de référence. La conversion du texte intégral vers Word remplace les images de la page par du texte modifiable. L'aspect visuel change. Le document est à la fois consultable et modifiable. Ceci est approprié pour les documents dont le contenu sera réutilisé.
La conversion PDF en Word à partir de la sortie OCR est la voie vers la possibilité de modification. Le PDF consultable est le chemin vers la possibilité de recherche. Choisissez le format de sortie qui correspond à la façon dont le document sera utilisé.
Conservation des images de la page originale dans la sortie
Certains flux de travail nécessitent à la fois les images de la page d'origine et le texte consultable. Le résultat doit ressembler à l’analyse originale tout en étant consultable. Il s'agit du comportement par défaut des outils OCR qui ajoutent un calque de texte derrière les images. L'aspect visuel est inchangé. La fonctionnalité de texte est ajoutée.
Le PDF numérisé avec couche de texte OCR préserve à la fois l'apparence d'origine et ajoute la possibilité de recherche. Le document répond à des fins à la fois visuelles et fonctionnelles.
Choix des paramètres de langue OCR pour les PDF multilingues contenant uniquement des images
Si le PDF contenant uniquement des images contient plusieurs langues, sélectionnez toutes les langues applicables dans les paramètres OCR. Un paramètre en anglais uniquement déformera le texte non anglais. Un paramètre multilingue applique le modèle de reconnaissance approprié à chaque zone de texte. La sélection de la langue affecte directement la précision de l'OCR.
Le paramètre de langue OCR PDF pour les PDF multilingues contenant uniquement des images doit inclure toutes les langues qui apparaissent dans le document. L'absence d'une langue produit une sortie tronquée pour le texte de cette langue.
Comparaison de la précision OCR sur plusieurs moteurs
Différents moteurs OCR produisent des résultats différents sur le même PDF contenant uniquement des images. Pour les documents critiques, exécutez le même fichier via deux moteurs OCR différents et comparez le résultat. Utilisez le résultat le plus précis. La comparaison prend plus de temps mais produit la meilleure qualité de texte possible.
L'approche à double moteur OCR PDF est appropriée pour les documents où la précision du texte est essentielle. La comparaison identifie quel moteur gère le mieux les caractéristiques spécifiques du document.
Ajout de métadonnées à la sortie consultable
Après la conversion en texte consultable, ajoutez des métadonnées au fichier de sortie. Le titre, l'auteur, le sujet et les mots-clés rendent le document visible dans les systèmes de recherche. Les métadonnées doivent décrire le contenu du document, et non le processus de conversion. Le PDF original contenant uniquement des images contenait un minimum de métadonnées. La version consultable doit être entièrement décrite.
L'enrichissement des métadonnées Scanned PDF est la dernière étape du flux de conversion. Un document consultable avec de bonnes métadonnées est à la fois trouvable et utilisable.
Création d'une sortie hybride avec du texte consultable et des images originales
À des fins d'archivage, créez un PDF hybride contenant à la fois les images de la page d'origine et le calque de texte consultable. Le document ressemble exactement à la numérisation originale. Le calque de texte permet la recherche et la sélection sans altérer l'apparence visuelle. Il s’agit du résultat standard du traitement OCR et constitue le meilleur format pour les documents qui doivent conserver leur aspect d’origine.
La sortie hybride Scanned PDF sert à la fois à la préservation et à la convivialité. Les images conservent l'original. Le texte permet une fonctionnalité de document moderne.
Conversion du texte consultable en PDF pour distribution
Après avoir modifié le texte extrait dans Word, reconvertissez-le au format PDF pour distribution. Le nouveau PDF est entièrement numérique, sans artefacts d'image. Il est plus petit, plus propre et plus accessible que le fichier image d'origine uniquement. La reconversion au format PDF complète la transformation de l'image uniquement au format entièrement numérique.
L'aller-retour PDF Converter de l'image uniquement au texte modifiable en passant par un PDF numérique propre est un flux de travail de modernisation de documents. Le contenu est préservé. Le format est amélioré.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.