Convertir un PDF en texte avec OCR

Tous les PDF ne stockent pas le texte de la même façon. Un PDF exporté depuis un traitement de texte, un navigateur ou un logiciel de comptabilité contient généralement une couche de texte : les caractères eux-mêmes, leurs polices et leur position sur la page. Un PDF numérisé, ou créé à partir de photos prises au téléphone, est différent. Chaque page n'est qu'une image : il n'y a aucun caractère à copier, et essayer de copier le texte d'un PDF de ce type dans une visionneuse ne donne rien.

Krawly gère les deux en un seul passage. Pour chaque page, il utilise d'abord PDF.js, la bibliothèque PDF de Mozilla, pour chercher une couche de texte intégrée. Si la page en a une, le texte est extrait directement. C'est exact, puisque l'outil lit les caractères que le document contient déjà, et c'est quasi instantané. Seules les pages sans couche de texte sont rendues en image à 300 DPI et transmises au moteur OCR Tesseract dans la langue choisie.

C'est important pour les documents mixtes, plus courants qu'on ne le pense : un contrat avec une page de signature numérisée, un rapport avec des annexes photocopiées, ou un formulaire imprimé, rempli puis renumérisé. Lire la couche de texte quand elle existe évite d'introduire des erreurs d'OCR dans des pages déjà parfaites, et fait gagner du temps sur les longs documents. Le résultat vous indique quelles pages sont passées par l'OCR, pour savoir où relire.

Il arrive qu'un PDF ait une couche de texte, mais que le texte obtenu soit incohérent : symboles aléatoires, lettres dans le désordre, espaces manquantes, ou carrés à la place des caractères accentués. Cela vient généralement de la manière dont le PDF a été produit. Certains générateurs intègrent des polices sans correspondance correcte entre les glyphes et les caractères, et certains logiciels de numérisation ajoutent par-dessus l'image de la page une couche OCR invisible de mauvaise qualité.

Dans ces cas, activez « Forcer l'OCR sur chaque page ». L'outil ignore alors le texte intégré, rend chaque page à 300 DPI et lit ce qui y est visiblement imprimé. Vous échangez de la vitesse contre de la fiabilité : l'OCR de chaque page prend nettement plus de temps que la lecture d'une couche de texte, surtout sur téléphone, mais le résultat reflète ce que vous voyez réellement à l'écran.

Forcer l'OCR n'est pas nécessaire pour les PDF natifs ordinaires. Si le texte extrait est propre, la couche de texte est la source la plus exacte, car elle contient les caractères exacts plutôt qu'une interprétation de pixels.

L'OCR lit les pages numérisées à l'aide d'un modèle de langue : le réglage de langue est donc important pour toute page qui passe par l'OCR. Krawly prend en charge l'anglais, l'espagnol, le portugais, le français, l'allemand, l'italien, le néerlandais, le turc, le polonais, le russe, l'ukrainien, l'arabe, le hindi, le japonais, le chinois (simplifié et traditionnel), le coréen, le vietnamien et l'indonésien, et vous pouvez en combiner jusqu'à trois. Un contrat en français avec une annexe en anglais, ou un document ukrainien avec des citations en russe, doit avoir les deux langues sélectionnées.

Les pages qui ont déjà une couche de texte ne dépendent pas du choix de la langue, car leurs caractères sont lus directement. Autrement dit, un PDF natif dans n'importe quelle écriture, pas seulement dans les langues de la liste, peut quand même être extrait, à condition que le PDF stocke correctement son texte.

Chaque modèle de langue est téléchargé la première fois que vous le sélectionnez, quelques mégaoctets par langue, puis mis en cache par votre navigateur. Ne sélectionner que les langues réellement présentes dans le document raccourcit le premier lancement.

Les PDF dont on veut extraire le texte sont souvent les plus sensibles : relevés bancaires, fiches de paie, courriers médicaux, contrats signés, formulaires fiscaux et passeports numérisés. Avec cet OCR PDF, tout le traitement se fait dans votre navigateur grâce à PDF.js et Tesseract.js compilés en WebAssembly. Le PDF n'est jamais envoyé aux serveurs de Krawly, pas plus que le texte extrait.

Votre navigateur ne télécharge que des fichiers programme, à savoir le moteur OCR et les modèles de langue. Si le PDF est protégé par un mot de passe, celui-ci est saisi et utilisé localement pour ouvrir le fichier. Rien n'est conservé, et fermer l'onglet efface le document et les résultats.

La contrepartie du traitement local, c'est que la vitesse dépend de votre appareil. Les pages avec couche de texte sont rapides partout, tandis que l'OCR de nombreuses pages numérisées peut prendre un moment sur un téléphone ancien. Les PDF jusqu'à 200 Mo sont pris en charge, et l'outil fonctionne dans les versions récentes de Chrome, Edge, Firefox et Safari, sur ordinateur comme sur mobile. Il est gratuit, sans inscription et sans limite quotidienne.