OCR PDF

Ouvrez le fichier dans n’importe quelle visionneuse et essayez de sélectionner une ligne de texte. Si rien ne se met en surbrillance ou si la recherche ne trouve aucun résultat, les pages ne sont que des images (un scan ou une photo) et l’OCR ajoute le texte manquant. Un PDF qui contient déjà du texte sélectionnable n’a pas besoin de cet outil.

Plus de 100 packs de langue Tesseract sont listés, de l’anglais et de l’espagnol à l’arabe, l’hindi, le japonais et le chinois. Cochez toutes les langues présentes dans le document ; les packs sont chargés ensemble, ce qui permet de reconnaître en une seule passe des pages multilingues. Certains déploiements auto-hébergés intègrent une liste plus courte et l’indiquent au-dessus du sélecteur de langue.

Non. Les pages d’origine sont copiées sans modification et une couche de texte invisible est dessinée par-dessus, positionnée mot par mot pour correspondre au scan. Vous voyez la même image qu’avant, mais vous pouvez désormais rechercher, sélectionner et copier le texte.

Haute (288 DPI) est la valeur par défaut et convient aux documents de bureau courants. Passez à Standard (192 DPI) quand la vitesse compte ou que le fichier est long, et utilisez Ultra (384 DPI) pour les petits caractères, les notes de bas de page ou les scans de mauvaise qualité. Les réglages plus élevés prennent nettement plus de temps, car chaque page est rendue à cette taille avant la reconnaissance.

Elle limite la sortie à un ensemble fixe de caractères, ce qui réduit les erreurs comme un l minuscule lu comme un 1. Le préréglage Facture n’autorise que les chiffres et les symboles $ . , / - # :, Chiffres uniquement convient aux numéros de série ou aux relevés de compteur, et Personnalisé vous permet de saisir votre propre ensemble.

Pas de façon fiable. Tesseract est entraîné sur du texte imprimé : les majuscules d’imprimerie soignées fonctionnent parfois, mais l’écriture cursive ne produit surtout que du bruit. Les résultats sont meilleurs sur des pages imprimées nettes et bien éclairées ; l’option Binariser aide pour les scans pâles ou peu contrastés, et Redresser un PDF redresse d’abord les pages inclinées.

Oui. Une fois l’OCR terminé, le texte extrait apparaît dans une zone où vous pouvez le relire, le copier dans le presse-papiers ou le télécharger sous le nom ocr-text.txt. Le téléchargement du PDF consultable est distinct : vous pouvez prendre l’un, l’autre ou les deux.

Non. Tesseract s’exécute en WebAssembly dans votre navigateur ; les seuls téléchargements sont le moteur OCR et les packs de langue que vous avez sélectionnés, récupérés la première fois qu’ils sont nécessaires. Les pages numérisées et le texte reconnu restent sur votre appareil.