Un PDF assemblé à partir de plusieurs sources contient souvent un mélange de pages d'images numérisées et de pages de texte créées numériquement. Les dix premières pages sont constituées d'un texte numérique net provenant d'une exportation de rapport. Les cinq suivantes sont des images numérisées de notes manuscrites. L'annexe est un mélange des deux. Ce document hybride crée des défis de traitement : l'OCR ne fonctionne que sur les pages numérisées, les paramètres de compression adaptés au texte numérique ne le sont pas pour les images numérisées, et les outils de recherche trouvent le contenu sur certaines pages mais pas sur d'autres.
Bien gérer des PDF mixtes signifie traiter chaque type de page de manière appropriée sans diviser le document en fichiers séparés. Ce guide explique comment identifier quelles pages nécessitent quel traitement, comment appliquer les opérations de manière sélective et comment produire une sortie unifiée qui soit consultable, de taille raisonnable et d'apparence cohérente.
Selon une analyse réalisée en 2024 par la société de gestion de documents M-Files, les PDF mixtes numérisés et numériques représentent environ 22 % de tous les PDF dans les référentiels de documents d'entreprise (M-Files, « Enterprise Document Composition Analysis », 2024). Le format hybride est courant car les documents sont rassemblés à partir de sources diverses. Le défi du traitement est standard.
Identifier quelles pages correspondent à quelles pages
Le moyen le plus rapide d'identifier les pages numérisées est d'essayer de sélectionner du texte. Ouvrez le PDF et faites glisser votre curseur sur le texte d'une page. Si le texte est mis en surbrillance et que vous pouvez le copier, la page est numérique. Si vous ne pouvez pas sélectionner des mots individuels et que le curseur sélectionne la page entière sous forme d'image, la page est numérisée. Parcourez le document page par page et notez quelles pages sont numérisées. Cela prend une minute pour un document typique et vous indique exactement quelles pages nécessitent une OCR.
Pour les documents comportant de nombreuses pages, une méthode plus rapide consiste à rechercher un mot courant comme ou et. Les résultats de la recherche ne correspondront que sur les pages numériques. Les pages sans correspondance sont celles numérisées. L'étape d'identification PDF numérisé est essentielle car appliquer un mauvais traitement à un type de page produit de mauvais résultats. Une compression trop agressive des pages numérisées rend le texte illisible. Ne pas les effectuer par OCR rend le contenu invisible à la recherche.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
OCR sélectif : traiter uniquement les pages numérisées
L'exécution de l'OCR sur des pages numériques est un gaspillage et peut en fait dégrader la qualité en ajoutant une deuxième couche de texte qui peut entrer en conflit avec l'original. La bonne approche consiste à exécuter l'OCR uniquement sur les pages numérisées tout en laissant les pages numériques intactes. Certains outils OCR basés sur un navigateur prennent en charge la sélection de pages, vous permettant de spécifier une plage de pages ou de sélectionner des pages individuelles pour le traitement OCR.
Si votre outil ne prend pas en charge l'OCR sélective, divisez le PDF en sections numérisées et numériques, OCR uniquement les sections numérisées, puis fusionnez le tout. Les étapes supplémentaires de fractionnement et de fusion ajoutent quelques minutes au flux de travail mais produisent un meilleur résultat que l'exécution d'OCR sans discernement. Les outils OCR PDF du WukongPDF et la fonctionnalité de fusion prennent en charge cette approche sélective.
Stratégies de compression pour les documents mixtes
Un seul paramètre de compression appliqué à un document mixte produit des résultats inégaux. Le paramètre adapté aux images numérisées, généralement une compression modérée pour préserver la lisibilité du texte, est trop conservateur pour les pages de texte numérique, qui peuvent être compressées de manière plus agressive sans perte de qualité visible. Le paramètre approprié pour le texte numérique rend les pages numérisées illisibles.
La solution est la même stratégie de division-processus-fusion : séparez les sections numérisées et numériques, compressez chacune avec des paramètres adaptés à son type de contenu et recombinez. Le flux de travail PDF Tools pour les documents mixtes comporte plus d'étapes que le traitement d'un document uniforme, mais la qualité de sortie justifie l'effort supplémentaire. Un document mixte traité avec des paramètres uniformes aura soit des pages numériques gonflées, soit des pages numérisées illisibles.
Quand abandonner et les garder séparés
Pour certains documents mixtes, l'approche fractionnée-processus-fusion produit un résultat techniquement correct mais visuellement incohérent. Les pages numérisées et les pages numériques traitées différemment auront un aspect différent dans le document final. Si la cohérence visuelle est plus importante que la présence d'un seul fichier, conservez les sections numérisées et numériques dans des PDF distincts. Le destinataire reçoit deux fichiers qui semblent chacun cohérents plutôt qu'un fichier qui ne semble pas correspondre. La décision PDF Tools est pratique et non dogmatique.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.