PDF OCR consultable

Un PDF scanné n'est en substance qu'une pile d'images: vous voyez le texte, mais vous ne pouvez ni le sélectionner, ni le rechercher, ni le copier. L'OCR (reconnaissance optique de caractères) lit les lettres dans l'image et les place sous forme de couche de texte invisible exactement sur les pages. L'apparence reste identique, mais le PDF devient consultable et le texte sélectionnable, ce qu'attendent les administrations, les archives et les moteurs de recherche en texte intégral.

Choisissez comme sortie un PDF consultable (pages originales plus couche de texte) ou du texte brut au format TXT. Sélectionnez la langue du document dans la liste, 113 langues du français, de l'anglais et de l'allemand au russe, à l'arabe et au hindi, en passant par le japonais, le coréen et le chinois, chacune dans son propre nom, afin que les caractères soient correctement reconnus. Tout s'exécute dans le navigateur via WebAssembly: le même moteur Tesseract libre que l'outil "Image en texte", appliqué page par page à tout le PDF. Lors de la première utilisation, le navigateur télécharge le moteur et le modèle de langue choisi une seule fois (quelques Mo, même origine); l'outil fonctionne ensuite hors ligne.

L'outil est destiné aux PDF scannés ou constitués uniquement d'images. La reconnaissance dépend fortement de la qualité du scan: des pages nettes, droites et très contrastées donnent d'excellents résultats; les pages penchées ou floues donnent de bien moins bons résultats; l'écriture manuscrite n'est pas reconnue de manière fiable. Dans le PDF consultable, chaque page est réintégrée sous forme d'image, ce qui préserve la mise en page mais peut augmenter la taille du fichier. Un PDF contenant déjà du texte réel n'a pas besoin d'OCR. Vérifiez le résultat pour les chiffres et les noms propres.

La reconnaissance de texte est d'ordinaire l'affaire du cloud : les services OCR connus envoient chaque scan sur leurs serveurs pour le traiter - justement des documents comme des contrats, des courriers médicaux ou des pièces d'identité. Ici, toute la reconnaissance s'exécute avec Tesseract en WebAssembly dans votre navigateur, et les 113 packs de langues sont hébergés sur gottrix même - rien n'est chargé chez des tiers pendant la reconnaissance. La liste des langues démarre en outre présélectionnée selon la langue de votre interface. Gratuit, sans compte et sans limite de pages.

Fiche technique

En 3 étapes

1. Déposez le PDF scanné.
2. Choisissez la sortie (PDF consultable ou texte) et la langue dans la liste.
3. Téléchargez le PDF consultable ou le fichier TXT.

Limites: Pour les PDF SCANNÉS ou PDF images: les rend consultables par OCR (couche de texte invisible) ou retourne le texte brut. Reconnaît le texte IMPRIMÉ dans 113 langues et de nombreuses écritures; écriture manuscrite non fiable. Remarque: la couche de texte invisible du PDF consultable couvre l'alphabet latin avec toutes ses lettres accentuées (23 des 113 langues, p. ex. polonais, tchèque, vietnamien, turc), le grec et le cyrillique. Les caractères d'autres écritures (p. ex. CJK, arabe, hébreu, devanagari, thaï) y sont volontairement omis plutôt que déformés; pour ces écritures, utilisez la sortie "Texte seul (TXT)", qui restitue le texte intégralement reconnu. Dans le PDF consultable, chaque page est réintégrée comme image, la mise en page est préservée mais le fichier peut grossir; un PDF avec du vrai texte n'a pas besoin d'OCR. La reconnaissance n'est pas parfaite: vérifiez en particulier les chiffres et les noms propres. Le moteur et le modèle de langue sont téléchargés une seule fois (quelques Mo, même origine), puis l'outil est utilisable hors ligne. Les PDF volumineux peuvent demander du temps et de la mémoire selon le nombre de pages et l'appareil.

Questions fréquentes

Outils associés

Image en texte (OCR) · PDF vers Word · Compresser un PDF · PDF en Markdown · PDF en texte · PDF vers EPUB