PDF scanné en Word

Pourquoi un convertisseur classique vous rend une image

Presque tous les convertisseurs PDF vers Word, le nôtre compris, lisent le texte déjà enregistré dans le PDF. Pour un fichier exporté depuis Word ou Google Docs, aucun souci. Seulement, un scanner n'enregistre pas de texte : il enregistre une image de chaque page. Le convertisseur ne trouve rien à lire et se contente de coller l'image dans le fichier Word.

Vous ouvrez le .docx, vous cliquez dans un paragraphe, et toute la page se sélectionne comme une seule photo. Ça m'est arrivé avec un bail envoyé par un propriétaire, et c'est franchement agaçant. Le texte est là, sous vos yeux, mais impossible d'y toucher.

Pour s'en sortir, il faut d'abord une reconnaissance de caractères (OCR). Quelque chose doit regarder les pixels et décider que telle forme est un « a » et telle autre un « 7 ». Ce n'est qu'à ce moment-là qu'il y a du texte à mettre dans Word.

Ce que l'outil fait de votre scan

Chaque page passe par Tesseract, le moteur d'OCR libre sur lequel repose une bonne partie des logiciels de reconnaissance sérieux. Avant la lecture, la page est redressée, car un scan penché d'un ou deux degrés perd un nombre étonnant de mots. Les pages qui contiennent déjà du vrai texte sont conservées telles quelles.

Vient ensuite la partie qui m'a demandé le plus de travail. Le résultat brut d'un OCR, c'est une suite de lignes isolées. Collé directement dans Word, chaque ligne finit par un retour forcé et les mots coupés en fin de ligne restent coupés. Le convertisseur analyse les espaces entre les lignes et la taille du texte pour reconstituer de vrais paragraphes, recolle les mots coupés et transforme les grandes lignes, comme un en-tête ou un titre de section, en titres Word. Chaque page du scan commence sur une nouvelle page du document.

Vous téléchargez un .docx simple et propre, avec des styles normaux et sans zones de texte posées sur une image. Vous pouvez changer la police de tout le document d'un coup, lancer le correcteur ou copier des passages ailleurs sans traîner de mise en forme bizarre.

La langue compte plus qu'on ne le croit

Tesseract lit bien mieux quand il sait à quelle langue s'attendre. Réglé sur l'anglais face à un contrat français, il retrouvera la plupart des mots, mais les accents et les cédilles passeront à la trappe, et « reçu » deviendra « recu ». Pour le japonais, le chinois ou l'arabe, une mauvaise langue donne carrément du charabia, car ces écritures ont besoin de leurs propres modèles.

La liste compte 20 langues, et sur cette version de la page le français est déjà sélectionné. Pour un document qui mélange deux langues, prenez celle qui occupe la plus grande partie du texte.

Pour un résultat propre

• Scannez à 300 DPI. En dessous de 200, les petits caractères deviennent des taches.
• Le noir et blanc ou les niveaux de gris suffisent. La couleur n'aide pas la reconnaissance et alourdit le fichier.
• Mettez la page bien à plat. Près de la reliure d'un livre, les lignes se courbent et se lisent mal.
• Une photo au téléphone fonctionne si la page remplit le cadre et que vous photographiez bien d'en haut.
• Les fax et les photocopies de photocopies passent, mais avec plus d'erreurs. Prévoyez une relecture.

Même avec un bon scan, relisez le résultat avant de l'envoyer. L'OCR confond volontiers 0 et O, ou 1 et l. Les montants d'une facture ou d'un contrat méritent un second coup d'œil.

Ce qui marche bien, et ce qui marche moins

L'outil donne le meilleur de lui-même sur les pages riches en texte : courriers, contrats, rapports, comptes rendus, vieux tapuscrits, chapitres de livres. Tout ce qui consiste à récupérer les mots pour les modifier.

Soyons francs sur les limites. Les tableaux ressortent en lignes de texte, pas en tableau Word. Les mises en page sur deux colonnes sont en général lues dans le bon ordre, mais une page pleine d'encadrés peut ressortir mélangée. Les photos et les logos ne sont pas repris. Quant à l'écriture manuscrite, c'est presque toujours peine perdue.

Les logiciels payants essaient de recopier l'apparence exacte de la page. C'est parfois bluffant, mais souvent on obtient un Word rempli de zones de texte qui se disloque dès qu'on ajoute une phrase. J'ai fait le choix inverse : des mots justes, une structure simple, et la mise en forme vous appartient.

Ce que devient votre fichier

L'OCR demande beaucoup de calcul, il tourne donc sur notre serveur et non dans votre navigateur. Votre PDF est envoyé en HTTPS, traité dans une file d'attente, puis supprimé dès la fin de la conversion. Le fichier Word reste disponible le temps de le télécharger, puis il est effacé automatiquement. Personne ne lit vos documents.

Pas de compte, pas d'adresse e-mail obligatoire, pas de filigrane sur votre texte. La limite est de 100 pages par fichier. Un courrier de dix pages est généralement prêt en moins d'une minute.