Toutil

Rendre un PDF scanné cherchable

La reconnaissance de caractères pose une couche de texte invisible sur vos pages scannées — sans toucher à l’image.

Traité sur cet appareil · aucun envoi de fichier

PDFVous pouvez aussi coller (Ctrl+V)Confortable jusqu’à 50 Mo

5,9 Mo à télécharger la première fois, puis conservé sur cet appareil.détails

Moteur : Tesseract · français inclus ; l’anglais ajoute 2,9 Mo, téléchargés seulement si on le choisit.

Mode patient. Ce traitement prend du temps par nature dans un navigateur : de quelques dizaines de secondes à quelques minutes par fichier, selon sa taille et votre appareil. La page reste utilisable, et vous pouvez annuler à tout moment.

À quoi sert cette page

Un contrat scanné dans lequel on ne peut pas chercher une clause, un relevé photographié qu’aucun Ctrl+F n’atteint, une archive de courriers dont le contenu est invisible aux moteurs de recherche du bureau : un PDF scanné est une pile d’images, et rien de ce qu’il montre n’est du texte pour la machine. La reconnaissance de caractères y remédie en écrivant, par-dessus l’image et sans la modifier, une couche de texte que le lecteur ne montre pas mais qu’il sait chercher, sélectionner et copier. Ici tout se passe dans votre navigateur : le moteur de reconnaissance est téléchargé une fois, vos pages ne partent nulle part.

On dit aussi : ocr sur un pdf, reconnaissance de texte pdf, pdf scanné en texte.

Comment faire

  1. Déposez le PDF scanné.
  2. Choisissez la langue du document — français par défaut.
  3. Lancez, patientez quelques secondes par page, puis vérifiez avec Ctrl+F dans le fichier téléchargé.

Questions fréquentes

Comment vérifier que ça a marché ?

Ouvrez le PDF téléchargé et cherchez avec Ctrl+F un mot que vous voyez sur la page. Le lecteur doit le surligner à l’endroit exact où il est imprimé. Vous pouvez aussi essayer de sélectionner une ligne à la souris : la surbrillance suit le texte, alors qu’avant l’opération il n’y avait rien à attraper.

Pourquoi le fichier a-t-il un peu grossi ?

Parce qu’on lui a ajouté quelque chose : les mots reconnus, avec leur position, page par page. Cela représente quelques kilo-octets par page — souvent moins d’un pour cent du document. L’image scannée, elle, n’a pas bougé d’un octet : on ne la redessine pas, on écrit par-dessus. C’est exactement ce qui distingue cette opération d’une conversion.

Le texte reconnu s’affiche-t-il sur la page ?

Non, et c’est le but. Le texte est écrit en « mode de rendu invisible », une possibilité prévue par le format PDF : le lecteur le place, le mesure et le trouve, mais ne le peint pas. Ce que vous voyez reste votre scan ; ce que la recherche trouve est le texte reconnu.

Et si la reconnaissance se trompe ?

Elle se trompera un peu — aucun moteur n’est exact sur un scan réel. Les erreurs typiques portent sur les majuscules accentuées, les titres en très gros caractères et les zones sales. Le texte affiché n’en est pas affecté puisqu’il reste l’image d’origine : seule la recherche peut manquer un mot. Un scan plus net donne un meilleur résultat, et c’est le seul levier qui compte vraiment.

Mon document mélange des pages scannées et des pages normales : que se passe-t-il ?

Les pages qui ont déjà du texte sont reconnues comme telles et laissées intactes — les relire ajouterait un calque approximatif par-dessus un texte exact, et la recherche y trouverait deux fois le même mot. Seules les pages qui sont des images passent par la reconnaissance, et le résultat vous dit combien.

Bon à savoir

  • Comptez une à deux secondes par page scannée à 300 DPI sur un ordinateur récent — mesuré, pas estimé — et deux à trois fois plus sur une machine ancienne ou un téléphone : un document de cent pages prend donc plusieurs minutes. S’y ajoute, au premier lancement seulement, le téléchargement de 3,6 Mo de moteur et de modèle de langue : ensuite, le navigateur les garde un an.
  • La qualité du résultat est celle du scan. Un document net à 300 DPI est lu presque sans faute ; un fax pâle, une photo de travers prise au téléphone ou un texte sur fond gris le sont beaucoup moins — passez-les d’abord par « Nettoyer le fond gris d’un scan » et « Redresser un scan de travers ».
  • L’écriture manuscrite n’est pas reconnue. La reconnaissance porte sur du texte imprimé ; une signature, une annotation au stylo ou un formulaire rempli à la main ne deviendront pas cherchables.
  • Français par défaut, anglais en option. Une autre langue donnerait un charabia plausible, ce qui est pire qu’un échec franc.
  • Les pages qui portent déjà du texte ne sont pas relues : elles sont laissées exactement telles quelles, et le résultat vous dit combien il y en avait.
  • Une page dont la lecture est trop incertaine n’est pas écrite du tout : sur une photographie sans texte, le moteur produit deux ou trois mots tirés d’un reflet, et les inscrire ferait trouver par la recherche des chaînes qui ne sont nulle part. Si aucune page ne dépasse ce seuil, l’outil le dit au lieu de rendre un fichier qui n’a rien gagné.
  • L’image de vos pages n’est jamais réencodée : le document sort avec les mêmes pixels, les mêmes métadonnées et les mêmes pièces jointes. Il grossit seulement du poids du texte ajouté — quelques kilo-octets par page.
  • Un PDF protégé par mot de passe doit être déverrouillé avant d’être reconnu.

Outils liés