PDF consultable

Qu’est-ce qui rend un PDF consultable ?

Un fichier PDF peut contenir deux choses très différentes qui se ressemblent à l’écran. Soit de vrais caractères, avec une police et une position, et toute recherche les trouve immédiatement. Soit une photographie de la page, et votre ordinateur y voit exactement ce qu’il voit dans une photo de vacances : des valeurs de couleur. Un scanner de documents produit toujours le second cas.

Un PDF consultable est la somme des deux. L’image reste où elle est, et par-dessus se pose une seconde couche contenant les mots reconnus, dans le mode de tracé appelé invisible. Le lecteur ne la dessine pas, la recherche la trouve quand même. C’est pour cela que vous pouvez sélectionner une ligne dans un scan bien fait alors que seuls des pixels sont visibles.

Cet outil construit précisément cette couche. La reconnaissance optique de caractères repère les cadres des mots, puis un fragment de texte est écrit dans la page à l’emplacement de chaque cadre, comprimé ou étiré en largeur pour correspondre. Un lecteur d’écran peut lire le texte à voix haute, et votre gestion documentaire l’indexe.

Comment la reconnaissance travaille-t-elle dans le navigateur ?

En deux étapes, et c’est la première qui compte. Un réseau de neurones spécialisé localise d’abord les zones qui contiennent de l’écriture. Un second réseau lit ensuite chacune de ces zones séparément. Cet ordre ressemble à un détail et fait toute la différence entre un résultat exploitable et un résultat inutilisable : une reconnaissance qui balaie l’image entière à l’aveugle trouve des lignes de texte dans les tampons, les plis et les taches de café, et écrit du charabia dans la couche de texte.

Les deux réseaux tournent en WebAssembly dans le même onglet que cette page, avec le renfort de la carte graphique via WebGPU lorsqu’elle est disponible. Le téléchargement unique pèse environ douze mégaoctets et atterrit dans le cache du navigateur. Au deuxième document, la reconnaissance démarre aussitôt, et à partir de là l’outil fonctionne sans connexion.

Pourquoi les fichiers gonflent-ils chez d’autres outils ?

Parce que la plupart font davantage qu’ajouter du texte. Ils décodent chaque image de page, la traitent, puis la réencodent, souvent avec des réglages différents de ceux d’origine. Un scan enregistré en noir et blanc fortement compressé revient en image couleur générique. C’est le moment où cent quatre-vingts mégaoctets deviennent trois gigaoctets, et l’utilisateur ne s’en aperçoit qu’après coup, à la taille du fichier.

Nous n’ouvrons pas du tout les images des pages. La reconnaissance travaille sur une trame temporaire, jetée après chaque page, et seules des instructions de texte entrent dans le fichier. L’augmentation reste donc de l’ordre de quelques kilo-octets par page. Comme c’est exactement là que les alternatives échouent, le chiffre figure dans le résultat : taille avant, taille après, augmentation en pourcentage.

Que deviennent les pages qui portent déjà du texte ?

Elles sont ignorées, et le rapport vous dit combien. Cela paraît anecdotique et c’est la dégradation silencieuse la plus fréquente chez les outils qui reconnaissent toutes les pages à l’aveugle : sur la couche de texte existante et correcte vient s’en poser une seconde, devinée. Ensuite la recherche trouve chaque mot deux fois, la sélection saute, et la copie ressort le texte en double.

La vérification se fait par page, pas par document. Un contrat dont seule la dernière feuille signée a été numérisée reçoit sa couche de texte exactement là et nulle part ailleurs. Si vous préférez l’inverse, désactivez l’option.

Comment vérifier que la couche de texte est bien placée ?

Avec « Vérifier la couche de texte ». Une fois le traitement terminé, l’outil trace les cadres des mots reconnus sur un aperçu de la page. Si les cadres tombent sur l’écriture, le texte est au bon endroit. S’ils tombent à côté ou visiblement trop haut, quelque chose a dérapé, et vous le voyez avant de ranger le fichier dans vos archives.

Presque aucun fournisseur ne propose cette vérification, alors qu’une couche de texte décalée est un défaut bien connu. Il revient régulièrement dans les forums d’utilisateurs, presque toujours avec la même description : on sélectionne une phrase et on sélectionne en réalité la moitié de la page, parce que l’ordre des cadres ne suit pas l’ordre de lecture. Ne rien montrer ne veut pas dire avoir moins d’erreurs, cela veut dire ne pas les montrer.

Où l’outil s’arrête-t-il volontairement ?

Il ne retouche pas les images. Ni redressement, ni rotation, ni débruitage, ni recompression. Pour redresser un scan de travers, passez d’abord par un outil d’image. L’avantage de cette retenue est le même que plus haut : ce qui n’est jamais réencodé ne peut pas gonfler.

Il ne reconstruit pas non plus la mise en page. La couche de texte suit les cadres reconnus, elle ne détecte ni paragraphes, ni colonnes, ni tableaux. Pour du texte structuré, prenez PDF en Markdown. L’écriture manuscrite n’est pas reconnue, le modèle est entraîné sur des caractères imprimés. Et il n’en sort pas de PDF/A, comme l’explique la foire aux questions.

Quels outils voisins existent ?

• PDF en Markdown : quand vous voulez la structure plutôt que la page, avec titres, listes et tableaux.
• Image en texte : pour une seule photo ou une capture, quand seul le texte vous intéresse et pas un PDF.
• Compresser un PDF : optimisation structurelle sans perte, pour un fichier devenu trop lourd après de nombreuses retouches.