Extraire le texte d'un document scanné ou d'un PDF

Extraire le texte de vos scans : les réglages qui comptent, les documents de plusieurs pages, repérer un PDF image et constituer des archives papier consultables par recherche.

Mis à jour le

Un scanner prend une photo de la page. Même quand il l’enregistre en PDF, la page reste une image, qu’on appelle souvent un PDF image, et vous ne pouvez ni sélectionner, ni rechercher, ni copier son texte tant qu’un OCR ne l’a pas lu. Une bonne extraction de texte commence au scanner, et les choix que vous y faites sont difficiles à rattraper ensuite.

Ce guide aborde les réglages du scanner, les documents de plusieurs pages, la façon de savoir quel type de PDF vous avez, et la constitution d’archives consultables par recherche.

PDF scanné ou PDF numérique ?

Tous les PDF n’ont pas besoin d’OCR. Un PDF exporté depuis Word ou depuis une page web contient du vrai texte, et le copier donne un résultat exact. Quelques vérifications rapides vous indiquent lequel vous avez :

  • Essayez de sélectionner un mot. Si vous pouvez surligner des mots un par un, la page a une couche de texte. Si toute la page se surligne d’un bloc, ou si rien ne se passe, c’est une image.
  • Recherchez un mot que vous voyez. Si Ctrl+F (⌘F sur Mac) ne trouve rien, il n’y a pas de texte exploitable.
  • Zoomez au maximum. Un texte numérique reste net quel que soit le zoom. Un texte scanné devient flou ou pixelisé.

Méfiez-vous aussi des PDF mixtes. Un contrat peut avoir des pages dactylographiées suivies d’une page de signatures scannée, ou un rapport des annexes scannées.

Une couche de texte peut aussi être mauvaise. Certains PDF sont passés par un OCR il y a des années et portent une couche de texte invisible inexacte : les copier donne des mots déformés. D’autres utilisent des polices qui ressortent en charabia au copier-coller. Dans ces cas, traitez la page comme une image : exportez-la en image depuis votre lecteur PDF et lisez cette image.

Image to Text App lit toutes les pages d’un PDF. Les pages qui contiennent déjà du texte sélectionnable sont reprises directement, sans OCR, et seules les pages image sont lues : un document mixte ressort ainsi le plus fidèlement possible. La page PDF en texte est prévue pour cela.

Les réglages du scanner qui aident l’OCR

La résolution

300 dpi est la norme habituelle pour du texte, et c’est le minimum recommandé par la documentation de Tesseract. Pour les très petits caractères, comme les notes de bas de page, les mentions légales en petits caractères ou les notices de médicaments, scannez entre 400 et 600 dpi. Aller au-delà pour un texte de taille normale alourdit surtout les fichiers, sans améliorer le résultat.

Le mode couleur

Choisissez les niveaux de gris plutôt que le noir et blanc. Le mode noir et blanc d’un scanner applique un seuil fixe au moment de la numérisation : les lettres pâles se fragmentent, les lettres grasses se bouchent, et il n’y a aucun moyen de récupérer le détail perdu. Les niveaux de gris conservent cette information, ce qui laisse au logiciel d’OCR le soin de décider ce qui est de l’encre et ce qui est du papier.

Utilisez la couleur quand la couleur a un sens : passages surlignés, tampons en couleur, formulaires aux champs colorés, ou pages avec des photos à conserver. Le surligneur, en particulier, peut devenir un bloc gris foncé dans un scan en noir et blanc, et cacher précisément le texte qu’il signalait.

Le format de fichier

Le PDF et le TIFF conviennent bien aux documents de plusieurs pages, et le PNG aux pages seules. Évitez d’enregistrer en JPEG fortement compressé, ce que certains scanners font avec leurs préréglages « fichier léger ». La compression JPEG laisse des artefacts baveux autour des lettres, et ce sont les petits caractères qui en souffrent le plus.

Le côté matériel

Nettoyez la vitre du scanner : une seule poussière se répète sur chaque page. Pour un papier fin imprimé recto verso, placez une feuille de papier noir derrière la page pour éviter que le verso ne transparaisse.

Utiliser votre téléphone comme scanner

Un téléphone fait très bien l’affaire pour numériser de temps en temps. L’iPhone intègre un scanner de documents dans les apps Notes et Fichiers, et beaucoup de téléphones Android en proposent un dans l’appareil photo ou dans une appli de documents. Ces modes repèrent les bords de la page, corrigent la perspective et enregistrent un PDF, ce qui donne généralement un meilleur résultat qu’une simple photo. Pour la partie photo, comme la lumière, l’angle et la mise au point, consultez le guide pour obtenir des résultats d’OCR précis.

Numériser des documents de plusieurs pages

  • Utilisez le chargeur de documents pour les feuilles volantes. Retirez agrafes et trombones, aérez la pile pour que les pages ne collent pas entre elles, et activez la numérisation recto verso pour les originaux imprimés des deux côtés.
  • Comptez les pages. Les chargeurs sautent parfois une page ou en entraînent deux à la fois. Comparez le nombre de pages du scan avec celui de l’original avant de ranger le papier.
  • Numérisez les livres à plat. Appuyez sur le dos du livre pour que les lignes proches de la reliure ne s’incurvent pas, et attendez-vous à une ombre dans la marge intérieure. Un nettoyage de l’éclairage peut atténuer cette ombre, mais pas redresser des lignes courbes.
  • Nommez vos fichiers pour qu’ils se trient bien. Si vous numérisez les pages en images séparées, numérotez-les 001, 002, 003 plutôt que 1, 2, 3. Sinon, la page 10 se retrouve avant la page 2.

Dans Image to Text App, chaque page d’un PDF ou d’un TIFF multipage devient une page de l’espace de travail. Vous pouvez faire glisser les pages dans le bon ordre, relire n’importe quelle page, et utiliser la vue Document complet pour chercher dans toutes les pages et exporter le résultat en un seul fichier.

Créer un PDF interrogeable

Un PDF interrogeable est le scan d’origine, avec une couche de texte invisible placée exactement sur les mots. Il a le même aspect que le scan, mais vous pouvez y faire des recherches, sélectionner du texte et le copier. La recherche de fichiers de votre ordinateur et beaucoup de services de stockage en ligne peuvent aussi le retrouver d’après son contenu.

C’est souvent le meilleur format pour conserver un document, parce qu’il préserve tout ce que montrait le papier, y compris les signatures, les tampons et la mise en page, tout en vous permettant de le retrouver grâce à un mot qu’il contient. Si vous devez modifier le texte, exportez plutôt en Word ou en texte brut. L’outil image en PDF crée des PDF interrogeables à partir d’images.

Une réserve : les erreurs d’OCR dans la couche cachée sont invisibles. Si un nom a été mal lu, le rechercher ne trouvera pas la page. Pour les recherches importantes, essayez un terme plus court, comme les premières lettres d’un nom de famille, qui a plus de chances de résister à un caractère mal lu.

Archiver vos papiers

Quelques habitudes permettent de garder des archives numérisées utiles pendant des années :

  • Commencez les noms de fichiers par la date. Un nom comme 2026-03-14 Facture électricité mars.pdf se range automatiquement dans l’ordre chronologique, dans n’importe quel dossier.
  • Limitez la profondeur des dossiers. Quelques grands dossiers, comme Maison, Impôts, Santé et Travail, sont plus faciles à explorer qu’une arborescence profonde.
  • Pensez au PDF/A pour la conservation à long terme. Le PDF/A est une version du PDF normalisée par l’ISO et conçue pour l’archivage. Il intègre tout ce qu’il faut pour afficher le fichier, comme les polices, afin que le document s’ouvre encore correctement dans des années. Beaucoup de logiciels de numérisation et d’outils PDF savent enregistrer dans ce format.
  • Sauvegardez. Une règle courante, dite du 3-2-1 : trois copies, sur deux types de support différents, dont une conservée ailleurs.
  • Gardez le papier quand le papier compte. Les testaments, les titres de propriété, les documents certifiés et certains papiers fiscaux ou juridiques peuvent devoir être conservés en original. Les règles varient selon les pays et les documents : renseignez-vous avant de détruire quoi que ce soit d’important.

Les documents scannés sont aussi souvent les fichiers les plus sensibles que l’on possède : pièces d’identité, relevés bancaires, courriers médicaux. Avant de les confier à un outil en ligne, lisez l’OCR en ligne est-il confidentiel ? pour savoir quoi vérifier.

Plus de guides