OCR PDF

Un PDF consultable, parfois appelé « image plus texte », contient deux éléments par page : la numérisation d'origine sous forme d'image et une couche invisible de texte reconnu, placée exactement sur les mots imprimés. Les lecteurs affichent l'image et utilisent le texte pour la recherche, la sélection, la copie et les lecteurs d'écran. L'apparence ne change pas, c'est pourquoi les archives, cabinets juridiques et services de documentation le préfèrent pour le papier numérisé.

Le PDF est devenu la norme ouverte ISO 32000 en 2008, et le PDF/A, profil d'archivage défini par l'ISO 19005, est très utilisé pour les documents numérisés qui doivent rester lisibles pendant des décennies. Adobe Acrobat propose la même opération avec son outil Numériser et OCR, et de nombreux scanners de bureau ont une sortie « PDF consultable » ; le résultat ici est un PDF ordinaire qui s'ouvre dans n'importe quel lecteur.

Le PDF consultable est le bon choix quand la numérisation elle-même fait foi : un contrat signé, un acte, un compte rendu médical. Les autres sorties créent un nouveau document à partir des mots reconnus, utile pour modifier, mais la copie vaut ce que vaut la reconnaissance. Pour obtenir du Word à partir d'un PDF qui contient déjà du vrai texte, utilisez PDF en Word, qui lit le texte existant sans OCR ; pour les mots seuls, PDF scanné en texte est prévu pour cela.

Une couche de texte ajoute peu au poids du fichier, le texte étant minuscule face aux images de pages. Si la numérisation était déjà trop lourde pour un formulaire en ligne, lancez d'abord l'OCR, puis compressez le PDF à la taille autorisée.