Convertir une image en document Word ou Google Docs modifiable
Ce qui survit quand une image devient un fichier Word ou Google Docs, ce que vous devrez refaire à la main, et une méthode de nettoyage pour obtenir vite un document fini.
Mis à jour le
Pour transformer l’image d’une page en document modifiable, il faut deux choses : l’OCR pour lire les mots, puis un travail de reconstruction pour en refaire des paragraphes, des titres, des listes et des tableaux. Les mots passent généralement bien. L’apparence de la page, en grande partie, ne passe pas.
Savoir à l’avance ce qui est conservé et ce que vous devrez refaire vous permet de choisir la méthode la plus rapide, sans vous battre ensuite avec la mise en forme.
Ce qui est conservé
Une bonne conversion garde la structure du document, c’est-à-dire ce qui lui donne son sens :
- Les paragraphes. Les lignes coupées sur l’image sont réunies en paragraphes continus : le texte se réorganise quand vous le modifiez.
- Les titres. Les lignes qui se détachent comme des titres peuvent devenir de vrais styles de titre, et non du simple texte en gras.
- Les listes. Les éléments à puces et numérotés deviennent de vraies listes, qui se renumérotent toutes seules quand vous ajoutez un élément.
- Les tableaux. Les lignes et les colonnes peuvent arriver sous forme de vrai tableau, et non de texte séparé par des espaces.
- L’ordre de lecture. Sur une page à une seule colonne, l’ordre du texte suit celui de la page.
Dans Image to Text App, le mode Document réunit les lignes en paragraphes et conserve les titres ainsi que les listes à puces et numérotées. Les tableaux sont conservés quand vous les lisez en mode Tableau. Un mode s’applique à toute l’image : pour une page qui mêle paragraphes et tableau, lisez le tableau à partir d’une copie recadrée sur celui-ci.
Ce qui n’est pas conservé
L’OCR reconnaît des caractères, pas une mise en page. Attendez-vous à perdre ou à refaire ces éléments :
- Les polices et les tailles. Le texte prend le style par défaut du document dans lequel vous le collez.
- La mise en valeur dans le texte. Les mots en gras, en italique ou soulignés au milieu d’une phrase sont généralement perdus.
- Les couleurs du texte, des surlignages et des fonds.
- Les mises en page sur plusieurs colonnes, les zones de texte et les encadrés. Ils deviennent une seule suite de paragraphes, et le texte encadré peut se retrouver à un endroit mal choisi.
- Les images, logos, graphiques et signatures. Ce n’est pas du texte : ils disparaissent, ou un logo se transforme en quelques caractères parasites.
- Les en-têtes, pieds de page et numéros de page. Ils arrivent comme des lignes de texte ordinaires, répétées à chaque page.
- Les notes de bas de page. Le texte de la note apparaît comme un paragraphe normal, et les petits numéros d’appel deviennent des chiffres ordinaires collés à la fin d’un mot.
- Les champs de formulaire. Les lignes à remplir et les cases à cocher ne deviennent pas des champs interactifs.
- L’espacement, les retraits et les sauts de ligne exacts, sauf pour le code, où un mode adapté conserve l’indentation.
Copie enrichie, .docx ou autre chose ?
Il existe plusieurs façons de faire passer le résultat dans un document, et chacune convient à une situation différente.
La copie enrichie est idéale quand le texte va dans un document qui existe déjà. Copiez, puis collez dans Word ou Google Docs : les titres, les listes et les tableaux arrivent avec une vraie mise en forme. Comme le texte n’a pas de police propre, il prend les styles du document de destination ; si vous collez dans un modèle d’entreprise, les titres prennent donc l’apparence de ce modèle.
Un fichier .docx est idéal quand vous voulez un document autonome à envoyer, modifier ou archiver. Il s’ouvre dans Microsoft Word et dans la plupart des autres traitements de texte. Pour le modifier dans Google Docs, importez-le dans Google Drive et ouvrez-le depuis Drive.
Le Markdown convient aux applis de notes, aux wikis et à tout ce qui se publie sur le web. Les titres et les listes sont conservés sous forme de balisage simple, facile à modifier n’importe où. L’outil image en Markdown est prévu pour cela.
Le texte brut est le bon choix si vous comptez tout remettre en forme de toute façon et ne voulez pas qu’une structure parasite vous gêne.
Une méthode de nettoyage qui fait gagner du temps
L’ordre compte. Corriger les problèmes tôt, tant que l’image est sous vos yeux, va bien plus vite que de les retrouver plus tard dans un long document.
- Préparez l’image. Recadrez tout ce qui ne fait pas partie du document, comme le bord de la page suivante, et redressez les photos prises en biais. Le guide pour obtenir des résultats d’OCR précis détaille tout cela.
- Lisez dans le bon mode. Utilisez le mode Document pour le texte courant. Si une page contient un tableau, lisez cette partie comme un tableau, par exemple à partir d’une image recadrée sur le tableau.
- Corrigez les mots avant d’exporter. Vérifiez les mots soulignés avec l’image à côté. C’est bien plus rapide ici, où un clic sur une ligne montre son emplacement sur l’image, que dans Word avec l’image ouverte dans une autre fenêtre.
- Supprimez les éléments répétés de la page. Effacez les en-têtes, pieds de page et numéros de page répétés. « Rechercher et remplacer » règle le cas d’un en-tête qui revient à chaque page.
- Collez ou exportez. Utilisez la copie enrichie ou le fichier .docx, comme expliqué plus haut.
- Appliquez de vrais styles. Utilisez les styles Titre 1, Titre 2 et Normal plutôt que le gras et les tailles de police. Vous obtenez ainsi le volet de navigation dans Word, le plan du document dans Google Docs et une table des matières automatique. Pour effacer d’abord la mise en forme parasite, sélectionnez le texte et appuyez sur Ctrl+Espace dans Word, ou sur Ctrl+\ dans Google Docs (⌘+\ sur Mac), ou passez par Format > Effacer la mise en forme.
- Refaites ce que l’OCR ne peut pas faire. Insérez les images et les logos recadrés depuis l’original, et recréez les colonnes avec Mise en page > Colonnes dans Word, ou Format > Colonnes dans Google Docs.
- Relisez. Le correcteur orthographique repère les mots qui n’existent pas, comme « cornme ». Il ne repérera pas un vrai mot à la mauvaise place, comme « mal » au lieu de « mai » : relisez donc les chiffres, les noms et les dates en les comparant à l’original.
Les documents de plusieurs pages
Pour un document photographié ou scanné page par page, ajoutez toutes les pages en une fois et remettez-les dans l’ordre. Dans Image to Text App, la vue Document complet réunit toutes les pages, permet de chercher dans l’ensemble et exporte le tout en un seul fichier.
Vérifiez les raccords entre les pages. Un paragraphe qui commence en bas d’une page et se poursuit sur la suivante sera généralement coupé en deux, parce que chaque page est lue séparément. Recollez ces paragraphes à la main.
Si vous partez de PDF scannés plutôt que de photos, le guide pour extraire le texte de documents scannés aborde les réglages du scanner et les PDF interrogeables, qui vous conviendront peut-être mieux qu’un fichier modifiable. Les tableaux ont leur propre guide : comment extraire un tableau d’une image.
Quand mieux vaut tout refaire que convertir
La conversion fonctionne le mieux avec des documents surtout textuels, comme des courriers, des rapports, des articles et des notes. Pour les pages très graphiques, comme les brochures, les affiches, les menus et les diplômes, extrayez le texte, puis versez-le dans un nouveau modèle. C’est plus rapide que d’essayer de reproduire une mise en page exacte à partir du résultat de l’OCR.
Pour les formulaires à réutiliser, recréez le formulaire correctement dans votre traitement de texte et recopiez-y les libellés. Et si le document vient de quelqu’un qui possède encore le fichier d’origine, le lui demander vaut mieux que n’importe quelle conversion.
Quand vous êtes prêt, l’outil image en Word est conçu exactement pour cela, avec la copie enrichie pour coller et le téléchargement en .docx.