OCR PDF

Un scanner produit une photographie. Le PDF obtenu ressemble à un document et se comporte comme une image : vous voyez les mots, votre ordinateur non, parce que le fichier contient une grille de pixels et non des caractères. Rien ne peut le chercher, aucun texte ne peut en être copié, aucun lecteur d'écran ne peut le lire à voix haute, et aucun convertisseur ne peut en faire un fichier modifiable.

Ce décalage compte le plus précisément là où il est le plus fréquent. Une armoire à dossiers numérisée en PDF n'est pas consultable, ce qui fait de la recherche d'une facture parmi quatre mille une tâche manuelle. Des contrats numérisés pour archive ne peuvent pas être vérifiés à la recherche d'une clause. Des articles de recherche ne peuvent pas être cités sans être retapés.

La reconnaissance optique de caractères comble ce décalage. L'image de la page est analysée, les formes sont reconnues comme des caractères, et le texte obtenu est inscrit dans le PDF sous forme de couche invisible positionnée exactement sur les mots dont il provient. La page a exactement la même allure et elle est devenue un document.

La résolution d'abord. Environ 300 DPI est le bon compromis pour du texte : assez de détail pour distinguer des lettres qui se ressemblent, sans produire des fichiers inutilement lourds. En dessous d'environ 200 DPI, la fidélité chute vite, parce que les traits fins qui séparent un caractère d'un autre cessent tout bonnement d'être captés.

Le contraste et la géométrie ensuite. Un texte noir net sur fond blanc se reconnaît bien mieux qu'un texte gris sur fond teinté ou qu'une photographie prise de biais. Le redressement est appliqué automatiquement, la rotation de page aussi, et les deux aident sensiblement — la reconnaissance travaille ligne par ligne, si bien qu'une page inclinée de quelques degrés est bien plus difficile que la même page redressée.

Le contenu lui-même fixe le plafond. De la prose ordinaire dans une police courante est le cas facile. Les tableaux denses, les colonnes multiples, les polices décoratives, la notation mathématique et le texte posé sur des images sont tous plus difficiles. L'écriture manuscrite est un problème réellement différent, que l'OCR standard ne résout pas, si bonne que soit la numérisation.

La reconnaissance mobilise bien plus que la forme des lettres. Chaque modèle de langue apporte un jeu de caractères, des combinaisons de lettres attendues et des motifs de mots, tout cela levant les ambiguïtés que la forme seule ne peut pas trancher : la différence entre rn et m, entre 1 et l, entre O et 0 dépend de ce qui aurait du sens dans le mot environnant.

Choisir la mauvaise langue dégrade donc chaque ligne, et pas seulement les caractères accentués. Un document allemand traité comme de l'anglais perd ses trémas et lit mal les longs mots composés ; un document russe ou chinois traité comme de l'anglais ne produit rien d'exploitable du tout, puisque les caractères ne figurent pas dans le modèle.

Pour un document réellement bilingue, prenez la langue qui porte l'essentiel du corps de texte. Les noms, les adresses et les citations courtes dans une autre langue survivent généralement ; un document à moitié dans chacune perdra en fidélité quel que soit votre choix.

L'ordre compte plus qu'il n'y paraît. Faites l'OCR avant de compresser, parce que la compression rééchantillonne les images des pages et qu'une image adoucie se reconnaît moins fidèlement — et la couche de texte elle-même n'ajoute quasiment rien au poids du fichier, donc procéder dans cet ordre ne coûte rien.

Faites l'OCR avant de convertir, également. PDF en Word, PDF en Excel et PDF en Markdown ont tous besoin de texte pour travailler ; si on ne leur donne que des images, ils ne peuvent rendre que des images. Ajouter la couche de texte au préalable est ce qui rend un résultat modifiable possible tout court.

Et faites l'OCR après le caviardage plutôt qu'avant, sur tout document qui a besoin des deux. Noircir un PDF aplatit les pages qu'il touche, ce qui détruit toute couche de texte qu'elles portaient — appliquer l'OCR ensuite rétablit la consultabilité en ne lisant que ce qui est désormais visible, si bien que le contenu caviardé reste supprimé.