Deux PDF sont placés côte à côte dans un dossier. Les deux ont le même nombre de pages. Les deux ont été créés la même année. Vous tapez le même terme de recherche dans les deux. On renvoie les résultats presque instantanément. L'autre fait une pause, affiche un indicateur de progression en rotation et prend plusieurs secondes pour signaler que le terme a été trouvé à la page douze. La différence de vitesse de recherche entre ces deux PDF n’est pas aléatoire. Cela dépend de la manière dont le PDF a été créé, si le texte est intégré ou généré par OCR, de la manière dont les polices sont codées et si la structure du document inclut des fonctionnalités d'optimisation de la recherche. Comprendre pourquoi certains documents PDF consultables sont plus rapides à rechercher que d'autres vous aide à créer des PDF qui effectuent une recherche efficace et à diagnostiquer les documents à recherche lente qui nécessitent une attention particulière.
Comment fonctionne réellement la recherche PDF
Lorsque vous recherchez un PDF, le visualiseur ne scanne pas les images de la page visible à la recherche de formes de caractères. Il interroge les flux de contenu texte intégrés dans le fichier PDF. Chaque page contient un ou plusieurs flux de contenu répertoriant les caractères sur la page, leurs positions et les polices utilisées pour les afficher. La fonction de recherche lit ces flux de contenu de manière séquentielle, caractère par caractère, à la recherche de correspondances avec le terme recherché. La vitesse de cette analyse séquentielle dépend de la façon dont les données texte sont organisées.
Un PDF avec des flux de contenu bien structurés, où le texte apparaît dans un ordre de lecture logique avec un encodage cohérent, peut être recherché aussi rapidement que le spectateur peut lire les données du disque. Un PDF avec des flux de contenu fragmentés, où le texte d'un seul paragraphe est dispersé sur plusieurs objets de flux dans un ordre non séquentiel, oblige la fonction de recherche à passer d'une partie à l'autre du fichier, réassemblant le texte en mémoire avant de pouvoir y effectuer une recherche. La structure PDF Format des flux de contenu est le principal déterminant de la vitesse de recherche.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Texte intégré et texte OCR dans les performances de recherche
Le texte intégré, c'est-à-dire le texte créé dans un traitement de texte ou une application de mise en page et écrit directement dans le PDF, est stocké sous la forme d'une séquence de codes de caractères. Chaque personnage occupe une position connue dans le flux de contenu. La fonction de recherche lit le flux de manière linéaire et trouve efficacement les correspondances. Le texte OCR PDF, le texte généré par reconnaissance optique de caractères à partir d'une image de page numérisée, est stocké différemment. Le moteur OCR place chaque mot reconnu à sa position approximative sur la page, mais les mots peuvent ne pas être dans un ordre de lecture strict dans le flux de contenu.
Le texte OCR peut également contenir des erreurs de reconnaissance. Un caractère qui a été mal interprété par le moteur OCR comme un caractère différent ne correspondra pas au terme de recherche même si le caractère visible sur la page semble correct. Une recherche de contrat ne trouvera pas de contrat, même si le moteur OCR a généré cette mauvaise reconnaissance et l'a placé dans le flux de contenu. La fonction de recherche ne voit pas l'image de la page. Il ne voit que le texte OCR. Les erreurs dans ce texte se traduisent directement par des échecs de recherche.
Encodage des polices et son effet sur la recherche
Les polices des PDF peuvent être codées de plusieurs manières et l’encodage affecte la vitesse de recherche. Une police avec un codage standard, tel que WinAnsiEncoding ou MacRomanEncoding, mappe les codes de caractères directement aux glyphes standard. La fonction de recherche peut traiter ce texte rapidement car le mappage est simple. Une police avec un codage personnalisé, où les codes de caractères sont attribués arbitrairement par le concepteur de polices, nécessite que la fonction de recherche recherche chaque code dans la table de codage de police pour déterminer quel caractère il représente. Cette recherche ajoute une surcharge à chaque comparaison de caractères.
Les polices CID, utilisées pour les jeux de caractères d'Asie de l'Est, utilisent un codage à deux niveaux qui mappe les codes de caractères aux valeurs CID, puis mappe les valeurs CID à Unicode. La recherche de texte dans une police codée CID nécessite de résoudre ce mappage à deux niveaux pour chaque caractère. Un PDF contenant du texte chinois, japonais ou coréen dans une police codée CID recherchera plus lentement qu'un PDF contenant du texte anglais dans une police codée standard, uniquement en raison de l'étape de résolution d'encodage supplémentaire. Le choix d’encodage des polices PDF effectué lors de la création du PDF affecte les performances de recherche pendant toute la durée de vie du document.
Le rôle de l'arborescence de la structure des pages dans la recherche
Un PDF balisé comprend une arborescence qui organise le contenu du document en éléments logiques tels que des sections, des paragraphes et des figures. L'arborescence fournit à la fonction de recherche une feuille de route du document. Au lieu d'analyser les flux de contenu de manière linéaire depuis le début du fichier, la fonction de recherche peut parcourir l'arborescence de la structure pour localiser le texte dans des sections spécifiques du document. Une recherche dans un PDF balisé peut être plus rapide car l'arborescence de la structure fournit une indexation qui manque à un flux de contenu plat.
Les PDF non balisés, qui constituent la majorité des PDF en circulation, ne disposent pas de cette arborescence. La fonction de recherche n'a d'autre choix que d'analyser les flux de contenu de manière séquentielle. Pour les documents courts, la différence est négligeable. Pour les documents de centaines ou de milliers de pages, la présence ou l’absence d’une arborescence de structure peut faire la différence entre des résultats de recherche quasi instantanés et un retard notable. La création de PDF balisés est une bonne pratique d'accessibilité qui profite également aux performances du PDF consultable.
Index de recherche intégrés dans les PDF
Certains outils de création de PDF peuvent intégrer un index de recherche directement dans le fichier PDF. Cet index est une table de recherche prédéfinie qui mappe les mots aux pages où ils apparaissent. Un PDF avec un index intégré peut être recherché presque instantanément, car la fonction de recherche interroge l'index plutôt que d'analyser les flux de contenu. La recherche dans l'index renvoie les numéros de page où le mot apparaît et le spectateur accède directement à ces pages.
Les index intégrés sont rares dans les PDF à usage général car ils augmentent la taille du fichier et le temps de création de l'index. On les trouve le plus souvent dans de grands PDF de référence, des manuels techniques et des collections de documents où la vitesse de recherche est une priorité. La plupart des workflows de création de PDF n'incluent pas la génération d'index par défaut. L'absence d'index intégré est la norme. Lorsque vous rencontrez un PDF dont la recherche est sensiblement plus rapide que d'autres de taille similaire, un index intégré en est probablement la raison.
Ce que vous pouvez faire pour améliorer la vitesse de recherche
Si vous créez des PDF qui seront fréquemment recherchés, générez-les sous forme de PDF balisés avec des encodages de polices standard. Évitez les encodages de polices personnalisés, sauf si les exigences de conception ne peuvent pas être satisfaites autrement. Si le PDF contient du texte non latin, testez les performances de recherche sur un échantillon avant de vous engager dans l'approche d'encodage pour le document complet. Un petit investissement dans les paramètres de création permet une recherche plus rapide pour chaque personne qui utilise le document.
Pour les PDF existants dont la recherche est lente, envisagez de ré-OCRer le texte généré par OCR avec un moteur moderne qui produit des flux de contenu plus propres. Exécutez le PDF via un outil d'analyse de structure qui peut ajouter un balisage si le document n'est actuellement pas balisé. WukongPDF prend en charge le retraitement OCR PDF et le balisage des documents qui peuvent améliorer les performances de recherche dans les PDF existants sans les recréer à partir des documents sources.
La date de création du PDF et la version du logiciel utilisée pour le créer peuvent expliquer les différences de vitesse de recherche. Un PDF créé par une version 2024 d'une bibliothèque PDF moderne est susceptible d'avoir des flux de contenu plus propres et un encodage de texte plus efficace qu'un PDF créé par une version 2008 d'un outil existant. Le format PDF a évolué et les nouveaux outils de création produisent des fichiers mieux structurés.
Pour les PDF fréquemment recherchés dans le cadre d’un flux de gestion de documents, envisagez d’extraire le texte et de créer un index de recherche externe. Un système de gestion de documents doté d'un index de recherche en texte intégral interroge l'index et non les flux de contenu PDF. La vitesse de recherche devient indépendante de la structure interne du PDF.
Le nombre de polices utilisées dans un PDF affecte la vitesse de recherche car chaque changement de police nécessite que la fonction de recherche charge une nouvelle table d'encodage. Un PDF utilisant deux polices recherche plus rapidement qu'un PDF utilisant vingt polices, tous les autres facteurs étant égaux.
Les performances PDF consultable d'un document sont déterminées au moment de la création par des choix concernant l'encodage des polices, l'organisation du flux de contenu, le balisage du document et l'incorporation d'index. Ces choix sont invisibles pour l'auteur du document mais immédiatement apparents pour toute personne effectuant une recherche dans le document.
Pour les collections de documents qui feront l'objet de recherches fréquentes, l'investissement dans la création de PDF bien structurés et balisés avec des encodages de polices standard porte ses fruits chaque fois qu'un utilisateur tape une requête et reçoit des résultats quasi instantanés.
Cet article couvre les techniques et considérations clés pour travailler avec des PDF dans ce scénario spécifique. Les méthodes décrites ici s'appliquent à différents outils et plates-formes, donnant aux lecteurs la possibilité de choisir l'approche la mieux adaptée à leur flux de travail et à leur environnement technique.
Les étapes pratiques décrites fournissent un chemin clair entre le défi initial et une solution efficace. Chaque technique a été sélectionnée pour sa fiabilité et son accessibilité, garantissant que les lecteurs peuvent obtenir des résultats cohérents quelle que soit leur expérience préalable avec les outils PDF.
Les différences de vitesse de recherche décrites dans cet article sont le résultat direct des choix effectués lors de la création du PDF. Comprendre ces facteurs permet aux créateurs de documents de produire des PDF offrant une meilleure expérience de recherche.
Les outils et techniques décrits dans cet article fournissent un chemin pratique depuis la question initiale jusqu'à une solution de travail qui peut être appliquée à une gamme de documents et de scénarios.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.