Convertir un PDF scanné en texte

Q: Pourquoi le texte d'une page sur deux colonnes ressort-il mélangé ?

Les colonnes restent séparées quand **Disposition du texte** est sur Conserver la mise en page, le réglage par défaut ici. Si des lignes des deux colonnes s'alternent encore, l'espace entre elles est étroit sur le scan ; un scan plus net avec des pages bien droites règle généralement le problème.

Si vous ne pouvez surligner aucun mot dans un PDF, c'est un scan : une pile de photos de pages sans aucun texte à l'intérieur. Importez-le ici et l'OCR retranscrit chaque page en texte brut que vous pouvez copier, rechercher et modifier.

ou déposez Fichiers PDF, JPG, JPEG … ici ·

95 Mo max. par fichier· Jusqu'à 20 fichiers· Supprimés après 30 minutes

Sortie

Langue du document

Sortie

Type de texte

Les fichiers sont traités sur nos serveurs et supprimés après 30 minutes.

Comment utiliser cet outil

1
Importez le PDF scanné
Ajoutez le PDF, ou jusqu'à 20 fichiers de 95 Mo maximum chacun. Les scans TIFF multipages et les images d'une seule page fonctionnent aussi.
2
Choisissez la langue et les pages
Langue du document est réglée sur l'anglais et Sortie sur Texte brut (.txt). Changez la langue pour les autres documents et, sous Réglages avancés, utilisez Pages pour ne lire qu'une plage d'un long fichier.
3
Lancez la reconnaissance du texte
Cliquez sur Reconnaître le texte. Les pages sont d'abord redressées et remises à l'endroit, puis lues dans l'ordre pour produire un seul fichier texte.

PDF scanné ou PDF interrogeable : pourquoi le texte est absent

PDF image uniquementPDF numérisé · PDF non recherchable · PDF aplati: PDF dont les pages sont stockées sous forme d'images, généralement produit par un scanner, la fonction de numérisation vers e-mail d'un copieur ou une application de scan sur téléphone. Il ressemble à un document, mais ne contient aucun code de caractère : rien ne peut être sélectionné, recherché ni lu à voix haute.

Un PDF ordinaire exporté depuis Word ou un navigateur contient des objets texte : chaque mot est stocké sous forme de caractères avec une police et une position, ce qui permet la recherche et la copie. Un scanner ignore tout cela et enregistre une image par page. Pour un ordinateur, la page de votre contrat est le même type de données qu'une photo de chat.

L'OCR reconstitue la couche manquante. L'image de la page est nettoyée, les lignes et les mots sont repérés, et la forme de chaque caractère est comparée à l'alphabet de la Langue du document choisie. Cette page restitue ce résultat en texte brut. Le PDF avec texte recherchable est l'autre résultat courant : le scan reste visible et les mots reconnus sont ajoutés derrière sous forme de texte invisible, un mode de rendu que la norme PDF, ISO 32000, a toujours autorisé.

Adobe Acrobat Reader, gratuit, peut afficher un scan mais n'effectue pas d'OCR ; la reconnaissance fait partie des versions payantes d'Acrobat. Un convertisseur est le raccourci quand vous avez besoin des mots une seule fois et ne voulez pas d'un abonnement de plus. Si vos scans restent de mauvaise qualité, notre guide comment numériser des documents en PDF détaille les réglages du scanner et du téléphone.

Résolution de scan pour extraire le texte d'un PDF scanné

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Gros caractères nets uniquement ; le petit texte est deviné
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard pour l'OCR de pages imprimées
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Même niveau de détail sur papier A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Notes de bas de page, petits caractères, vieilles pages dactylographiées

Quand la conversion d'un PDF scanné en texte échoue

Les mots donnent du charabia sur toute une page
La page est probablement dans une autre langue ou un autre alphabet. Réglez Langue du document en conséquence et ajoutez Reconnaître aussi pour une deuxième langue sur la même page.
Les lignes sont coupées en milieu de phrase et des mots se terminent par des traits d'union
Cela suit les retours à la ligne imprimés. Choisissez Texte continu sous Disposition du texte pour obtenir un seul bloc de texte ; les traits d'union restants demandent un rapide rechercher-remplacer.
Certaines pages manquent dans le fichier texte
Vérifiez que Pages est sur Toutes les pages sous Réglages avancés. Une plage comme 1-3 limite volontairement la reconnaissance.

PDF

Portable Document Format

Le PDF a été créé par Adobe en 1993 et est devenu la norme ouverte ISO 32000 en 2008. Il fige le texte, les polices, les images et la mise en page pour qu'un document s'affiche de la même façon sur tous les écrans et toutes les imprimantes. Les PDF peuvent contenir des formulaires, des signatures, des liens, des pièces jointes et du texte recherchable, et la variante PDF/A sert à l'archivage à long terme. La mise en page figée rend les PDF difficiles à modifier, et les PDF numérisés ne contiennent que des images sans OCR. Tous les navigateurs et systèmes d'exploitation savent les ouvrir.

Compression: –
Transparence: Oui
Animation: Non
Année de création: 1993 · Adobe

Convertisseur PDF

TXT

Texte brut

Un fichier TXT ne contient que des caractères simples, sans mise en forme, polices, images ni mise en page. Les fichiers texte modernes sont généralement encodés en UTF-8, qui couvre toutes les langues, alors que des fichiers plus anciens peuvent utiliser d'autres encodages et afficher des caractères illisibles. Le texte brut est minuscule, ne devient jamais obsolète et s'ouvre sur tous les appareils, des téléphones aux serveurs. Il ne peut contenir ni texte en gras, ni tableaux, ni images : la structure doit passer par des espaces ou un balisage simple.

Compression: –
Transparence: –
Animation: –
Année de création: –

Convertisseur TXT

Un PDF numérisé contient des images de pages : ses mots ne peuvent être ni copiés, ni recherchés, ni indexés. Les reconnaître dans un fichier TXT transforme le scan en texte utilisable dans un éditeur, un traducteur ou une zone de recherche.

Questions sur la conversion d'un PDF scanné en texte

Comment savoir si mon PDF est scanné ou contient déjà du texte ?

Essayez de sélectionner une phrase ou de rechercher un mot avec Ctrl+F ou Commande+F. Si le curseur sélectionne toute la page comme une image et que la recherche ne trouve rien, c'est un scan composé uniquement d'images et il faut passer par l'OCR. Si les mots se surlignent normalement, le texte est déjà présent et PDF en TXT l'extrait à l'identique, sans étape de reconnaissance.

Texte brut ou PDF interrogeable : quel résultat choisir ?

Le texte brut sert à réutiliser les mots : les citer, les traduire, les coller dans une base de données ou un e-mail. Un PDF avec texte recherchable conserve l'apparence du scan et cache le texte derrière, ce qui convient aux archives et aux contrats. Si vous voulez ce second résultat, OCR PDF est prévu pour cela.

Quelle résolution de scan donne le meilleur texte à partir d'un PDF ?

300 DPI pour des pages imprimées ordinaires. La documentation de Tesseract indique que la précision baisse pour un texte inférieur à environ 10 pt à 300 DPI : les notes de bas de page et les petits caractères gagnent donc à être numérisés en 400 DPI. Passer à 600 DPI aide rarement l'OCR et rend le PDF plusieurs fois plus lourd.

Peut-on extraire le texte d'un PDF scanné de pages dactylographiées ou d'un livre ancien ?

Généralement oui. Les caractères de machine à écrire et de livre sont des lettres imprimées classiques, et Redresser les pages corrige l'inclinaison souvent causée par la numérisation d'un livre relié. Les pages très pâles sont mieux lues avec Renforcer le contraste activé.

Pourquoi le texte d'une page sur deux colonnes ressort-il mélangé ?

Les colonnes restent séparées quand Disposition du texte est sur Conserver la mise en page, le réglage par défaut ici. Si des lignes des deux colonnes s'alternent encore, l'espace entre elles est étroit sur le scan ; un scan plus net avec des pages bien droites règle généralement le problème.