Comment convertir un PDF numérisé en Word, et pourquoi les résultats varient

Deux PDF peuvent sembler identiques à l’écran et se comporter de façon complètement différente quand vous les convertissez en Word. L’un a été enregistré depuis un traitement de texte et contient du vrai texte. L’autre a été créé par un scanner ou l’appareil photo d’un téléphone, et chaque page est une photo de texte. Pour transformer le second en document modifiable, un convertisseur doit d’abord lire les lettres sur l’image, puis deviner comment la page était mise en page. Les deux étapes peuvent mal tourner, et ce guide explique où, pourquoi, et ce que vous pouvez y faire.

Comment savoir si votre PDF est numérisé

Le test le plus rapide consiste à essayer de sélectionner un seul mot. Si votre curseur trace un cadre sur toute la page au lieu de surligner le mot, la page est une image. La recherche avec Ctrl+F (Cmd+F sur Mac) est le second test : une page numérisée ne trouve rien, même pour un mot que vous voyez.

Zoomer aide aussi. Le vrai texte reste net à n’importe quel niveau de zoom, car il est dessiné à partir d’une police. Le texte numérisé devient flou et pixelisé quand vous zoomez, car il est fait de pixels.

Certaines numérisations sont mixtes. Les logiciels de numérisation lancent souvent une reconnaissance de texte à l’enregistrement du fichier et cachent le texte reconnu derrière l’image, pour que vous puissiez sélectionner et rechercher. Ce texte caché ne vaut toutefois que ce que vaut la supposition du scanner. Copiez un paragraphe dans un éditeur de texte brut et vous verrez exactement ce qu’il contient, erreurs de lecture comprises.

Ce que fait réellement l’OCR

L’OCR, ou reconnaissance optique de caractères, est le procédé qui transforme une image de texte en caractères. Elle fonctionne par étapes. L’image est d’abord nettoyée : redressée si elle est inclinée, et son contraste est ajusté. Le logiciel repère ensuite les zones qui contiennent du texte, les découpe en lignes et en mots, et compare chaque forme à ce qu’il a appris de l’apparence des lettres, en s’aidant d’un dictionnaire de la langue pour trancher les cas serrés.

Le dictionnaire est important, car il ne peut aider que pour les mots. Si l’OCR lit « lnvitation » avec un L minuscule, le dictionnaire le corrige en « invitation ». Si elle lit un numéro de compte 1O45 au lieu de 1045, il n’y a rien pour la corriger. Les confusions habituelles portent sur des caractères qui se ressemblent dans beaucoup de polices : 0 et O, 1, l et I, 5 et S, 8 et B, et la paire « rn », qui peut devenir « m ». C’est pourquoi les erreurs d’OCR se cachent dans les nombres, les noms et les codes, et pourquoi ils méritent la vérification la plus attentive.

Pourquoi les résultats varient autant d’une numérisation à l’autre

Le même convertisseur peut produire un texte presque parfait à partir d’une numérisation et un fouillis à partir d’une autre. La différence tient presque toujours à l’image :

La résolution. 300 DPI est la recommandation habituelle pour numériser des documents destinés à l’OCR. En dessous d’environ 200 DPI, les petits caractères perdent les détails qui distinguent les lettres semblables. Les très petits caractères, comme les notes de bas de page et les conditions au dos d’un formulaire, gagnent à être numérisés à 400 DPI ou plus.
L’angle et la courbure. Une page photographiée de biais, ou une page de livre qui se courbe vers la reliure, donne des lignes de texte qui ne sont pas droites. Le redressement aide, mais les lignes courbes ressortent souvent avec des mots manquants ou collés.
Le contraste et le fond. Le papier de couleur, le surligneur, les tampons sur le texte et les photocopies pâles de photocopies rendent tous les lettres plus difficiles à distinguer de ce qui se trouve derrière.
Une forte compression. Une numérisation enregistrée en JPEG de faible qualité a des contours flous et des bavures autour de chaque lettre. Une image noir et blanc de qualité fax casse les traits fins.
L’écriture manuscrite. L’OCR utilisée pour la conversion de documents est conçue pour le texte imprimé. Les notes manuscrites et les signatures ressortent généralement fausses, ou restent des images.
La langue et la mise en page. La reconnaissance est entraînée par écriture et par langue : les écritures moins courantes et les pages en plusieurs langues sont donc plus difficiles. Les colonnes multiples, les tableaux sans traits et le texte sur des images compliquent encore l’étape de mise en page.

Pourquoi le fichier Word peut sembler différent même quand le texte est juste

Reconnaître les caractères n’est que la moitié du travail. Un convertisseur doit aussi reconstruire la page sous une forme que Word comprend, et il fait face à un compromis. Il peut écrire le texte en paragraphes normaux qui s’enchaînent, faciles à modifier mais qui s’écartent de la mise en page d’origine. Ou il peut fixer chaque bloc de texte à sa position exacte, ce qui a le bon aspect mais est peu pratique à modifier, car taper dans un bloc ne repousse pas le suivant vers le bas.

D’autres différences viennent d’informations que la numérisation ne contient tout simplement pas. L’OCR ne peut pas savoir quelle police a été utilisée : Word en reçoit donc une similaire et les retours à la ligne se déplacent. Un tableau avec des traits peut être reconstruit en tableau Word, mais un tableau sans traits peut arriver sous forme de texte séparé par des tabulations ou des espaces. Les en-têtes, pieds de page et numéros de page peuvent atterrir dans le corps du document, et les logos, tampons et signatures restent des images.

Convertir une numérisation avec PDF en Word

Notre outil PDF en Word applique automatiquement l’OCR aux pages qui en ont besoin : une numérisation revient donc sous forme de .docx au texte modifiable, et les pages qui contiennent déjà du texte sont converties directement. Le fichier est envoyé à un prestataire de conversion de documents, qui indique supprimer le fichier et le résultat dans un délai de trois heures. Il n’y a pas de limite de taille fixe, mais l’envoi doit se terminer en 40 secondes environ : une très grosse numérisation demande donc une connexion rapide. Un PDF qui demande un mot de passe à l’ouverture doit d’abord être déverrouillé.

Quelques précautions valent la peine avant la conversion :

Remettez à l’endroit les pages tournées sur le côté ou à l’envers, et supprimez les pages blanches. L’Organisateur de fichiers fait les deux sans envoyer le fichier.
Si vous numérisez vous-même le papier, utilisez 300 DPI en niveaux de gris ou en couleurs plutôt que le mode noir et blanc du scanner, qui peut casser les lettres fines avant même que l’OCR ne les voie.
Si vous n’avez besoin que de quelques pages, ne convertissez que celles-là. Il y aura moins à vérifier ensuite.

Ce qu’il faut vérifier avant de vous fier au résultat

L’OCR fait des erreurs sur la plupart des vraies numérisations, et elle ne prévient pas quand elle en fait. Avant d’envoyer ou d’archiver le document converti, vérifiez :

Chaque nombre important. Totaux, dates, montants, numéros de compte et de référence, numéros de téléphone. Comparez-les à la numérisation, pas à ce qui paraît plausible.
Les noms et les adresses. Ils figurent rarement dans un dictionnaire : rien ne les corrige donc.
Les mots que le correcteur orthographique souligne. Les soulignements rouges se concentrent là où l’OCR s’est trompée, ce qui fait du correcteur orthographique de Word un détecteur d’erreurs approximatif.
Les petits caractères et les marges. Les notes de bas de page, les tampons et les notes dans la marge sont les textes le plus souvent oubliés.
Les tableaux. Vérifiez que chaque valeur se trouve dans la bonne ligne et la bonne colonne.

Ce qui fonctionne mal

Certains documents décevront n’importe quel convertisseur. Les formulaires manuscrits, les fax, les captures d’écran de documents prises à la résolution de l’écran et le texte qui fait partie d’une photo ou d’un schéma doivent généralement être ressaisis là où ils comptent.

Deux de nos autres outils ne lisent pas du tout les numérisations. PDF en Excel ne lit que le texte déjà présent dans le PDF : il ne peut donc pas extraire un tableau d’une page numérisée. Traduire un document refuse les PDF numérisés pour la même raison. Dans les deux cas, vous pouvez d’abord convertir la numérisation avec PDF en Word, vérifier le texte, puis travailler à partir du fichier Word : copier un tableau dans Excel, ou traduire le .docx.

Conclusion

Convertir un PDF numérisé en Word, ce sont deux suppositions à la suite : quelles sont les lettres, et comment la page était construite. Une numérisation nette, droite, à 300 DPI facilite les deux, et une vérification attentive des nombres et des noms rattrape les erreurs de l’OCR. Considérez le résultat comme un premier jet du texte, pas comme une copie de l’original, et vous serez rarement pris au dépourvu.

Vous avez une numérisation à transformer en texte ? Essayez le convertisseur PDF en Word.

← Retour au blog