Un PDF transformé en fichier TXT
L'OCR (Reconnaissance Optique de Caractères) analyse les images de texte et les convertit en caractères réels et éditables. Lorsque vous téléchargez un document numérisé ou une photographie, le moteur OCR examine les motifs de pixels pour identifier les lettres, chiffres et symboles. L'OCR moderne utilise des algorithmes avancés pour reconnaître le texte même dans des conditions difficiles : faible résolution, pages de travers, polices variées et mises en page complexes avec colonnes, tableaux et contenu mixte.
Dans les deux cas, vous obtenez un seul fichier .txt où les pages sont ajoutées dans l'ordre, avec un séparateur à chaque saut de page, prêt à être enregistré, recherché ou transmis à un script ; dans le fichier final, rien ne distingue le texte extrait du texte reconnu par OCR.
Pourquoi vérifier d'abord la présence d'une couche de texte
Les documents numérisés et les PDFs basés sur des images ne contiennent que des images de texte - vous ne pouvez pas les rechercher, les copier ou les modifier. L'OCR transforme ces images en texte réel, rendant les documents recherchables, éditables et accessibles. Quand vous devez trouver du contenu spécifique parmi des milliers de pages numérisées, l'OCR le rend possible. Les archives numériques, les systèmes de gestion de documents et les flux de conformité dépendent de l'OCR pour rendre le contenu numérisé utile.
Au-delà de la recherche, l'OCR permet l'extraction de données de documents papier : numérisation de contrats pour analyse, extraction de données de formulaires, conversion de matériaux imprimés en texte éditable pour réutilisation. Les exigences d'accessibilité imposent souvent du texte recherchable pour les utilisateurs malvoyants utilisant des lecteurs d'écran. L'OCR comble le fossé entre les archives papier et les flux de travail numériques.
Comment savoir ce que vous avez
Si vous pouvez déjà sélectionner et copier du texte dans le PDF avec un lecteur classique, c'est qu'il possède une couche de texte, et le fichier .txt obtenu correspondra fidèlement à ce texte intégré, puisqu'aucune estimation par OCR n'entre en jeu. Dans ce cas, la précision dépend uniquement de la façon dont le PDF a été créé à l'origine.
Si cliquer pour sélectionner du texte ne fait que surligner un rectangle autour de la page entière, ou ne produit aucun effet, la page est une image scannée et le contenu du .txt qui en résulte dépend de la qualité de l'OCR ; vérifiez la résolution du scan et la netteté du document original si une page scannée se lit moins bien que prévu. Un tableau présent dans un PDF qui possède déjà une couche de texte conserve en général ses valeurs de cellules dans un ordre de lecture cohérent, car la position de chaque caractère est stockée directement dans le fichier, alors que ce même tableau sur une page scannée dépend de la capacité de l'OCR à suivre correctement les colonnes ; une facture scannée a donc plus de chances de nécessiter un réalignement manuel par la suite qu'une facture extraite directement d'un PDF natif.
Obtenir un résultat TXT fiable
Pour un PDF scanné, un scan de départ en plus haute résolution produit un texte plus propre à l'arrivée ; visez 300 DPI ou plus si c'est vous qui réalisez le scan, car en dessous, la précision de l'OCR commence à souffrir sur les caractères de petite taille.
Pour un PDF qui mélange pages natives et pages scannées, vérifiez le résultat .txt autour de la frontière entre les deux, car c'est le seul endroit où le traitement change de page en page, et où un en-tête ou un pied de page inhabituel peut parfois perturber l'ordre des pages dans les marqueurs de séparation. Le fichier est écrit en UTF-8 avec des sauts de ligne de style Unix tout du long, que telle ou telle page provienne d'une extraction directe ou de l'OCR, si bien qu'un script lisant le résultat n'a pas besoin de traiter différemment les deux types de pages d'origine une fois le texte produit.