PDF ROC

Vous exécutez l'OCR sur un document numérisé et la lettre e est reconnue correctement sur la première page mais apparaît comme c sur la troisième page.

Une boîte à chaussures contenant des reçus. Un dossier de factures PDF. Une année de dépenses professionnelles qui doivent être saisies dans un tableur pour la préparation des déclarations de revenus, les dépenses...

Un collègue vous remet un formulaire papier avec des champs manuscrits et vous demande de le transformer en une version numérique que les gens pourront remplir sur leur ordinateur.

Vous disposez d'un PDF numérisé dont vous savez qu'il contient du texte utile, mais le texte est verrouillé dans les images des pages imprimées.

Les moteurs OCR standard reposent sur une hypothèse fondamentale : le texte s'exécute horizontalement de gauche à droite sur la page.

Vous numérisez un document avec un fond bleu subtil, un formulaire coloré ou un certificat imprimé sur du papier teinté. Le scan semble bon à vos yeux.

Vous disposez d'un dossier contenant 50 factures PDF, chacune suivant une mise en page différente provenant d'un fournisseur différent.

Vous scannez un menu bilingue. Les noms des plats sont en italien. Les descriptions sont en anglais. Les prix sont des chiffres indépendants de la langue.

Vous numérisez un formulaire papier que quelqu’un a rempli à la main. Le texte imprimé sur le formulaire est clair.

Vous scannez un contrat bilingue. La colonne de gauche est en anglais. La colonne de droite est en espagnol.

Vous prenez une photo d'un document imprimé avec votre téléphone. Il s'agit peut-être d'une page d'un livre à la bibliothèque, d'un document d'une réunion, d'un reçu dont vous avez besoin...

Vous OCR un PDF et le texte reconnu apparaît dans une zone de texte à l'intérieur de votre éditeur PDF. Vous pouvez le lire. Vous pouvez le copier et le coller.

Vous disposez d'un dossier contenant 200 fichiers PDF numérisés. Anciens contrats, rapports archivés, procès-verbaux de réunions remontant à une décennie. Aucun d’entre eux n’est consultable.

Vous avez un PDF qui n’est rien d’autre que des images numérisées. Chaque page est une photographie d'un morceau de papier.

Vous ouvrez un PDF, appuyez sur Ctrl+F, tapez un mot dont vous savez qu'il apparaît sur la page et la zone de recherche ne renvoie aucun résultat. Le fichier semble bien.

Une page de notes de réunion écrites à la main dans un cahier, photographiées avec un téléphone et enregistrées au format PDF numérisé contient des informations précieuses qui sont...

Un PDF arrive par email. L'ouvrir révèle ce qui ressemble à un document imprimé. Le texte est là, la mise en forme est correcte.

Une feuille de temps ou une facture arrive au format PDF. Heures travaillées, dates, codes de projet, le tout verrouillé dans un format qui ne peut pas être additionné, trié ou analysé.

La reconnaissance optique de caractères est conçue pour le texte. Il trouve des lignes de caractères, les segmente en lettres individuelles et fait correspondre ces formes...

La conversion d'un PDF numérisé en feuille de calcul Excel implique toujours l'OCR, et l'OCR produit toujours des erreurs.