Image en PDF recherchable

Rendre une image numérisée recherchable

La photo ou la capture d'écran d'un document se partage facilement, mais elle est difficile à consulter par recherche. Les mots font partie de l'image : un lecteur PDF ne peut donc pas trouver un nom, un numéro de facture ou un paragraphe dans le fichier. Cet outil Image en PDF recherchable conserve votre image d'origine comme page visible et ajoute au PDF le texte OCR afin que les lecteurs puissent rechercher et sélectionner le contenu reconnu. Il est utile pour les scans d'une seule page, les reçus, les courriers, les formulaires, les photos de tableau blanc et les captures d'écran que vous souhaitez archiver en PDF.

Tout s'exécute dans le navigateur. Tesseract.js lit l'image importée grâce à l'OCR WebAssembly, et pdf-lib crée un nouveau document PDF sans contacter de serveur. La page est dimensionnée selon l'image, de sorte que le PDF ressemble au fichier source. Une petite couche de texte à faible opacité est dessinée sur l'image pour rendre les mots reconnus disponibles pour la recherche PDF et les outils de sélection de texte. L'image, le résultat OCR et le PDF final restent dans la mémoire locale du navigateur jusqu'au téléchargement du fichier.

Comment obtenir de meilleurs PDF recherchables

Partez de l'image la plus nette dont vous disposez. Les scans bien droits et les captures d'écran nettes donnent généralement de meilleurs résultats que les photos prises de biais avec un téléphone. Si vous photographiez du papier, posez le document sur une surface plane, utilisez un éclairage uniforme et gardez l'appareil parallèle à la page. Recadrez si possible les bureaux, bordures et ombres avant l'import. Un fort contraste entre les lettres et le fond aide l'OCR à distinguer les caractères, surtout pour les petits textes.

Sélectionnez la langue correspondant au document avant de créer le PDF. La première fois qu'une langue est utilisée, le navigateur peut télécharger le moteur OCR et le modèle, ce qui peut ralentir le premier traitement ; les suivants sont généralement plus rapides, car les fichiers sont mis en cache. L'OCR n'est pas parfait : recherchez donc les termes importants dans le PDF final et comparez-les à l'image d'origine avant d'utiliser le fichier pour des dossiers, contrats, factures ou autres usages exigeant une grande précision.

Ce que contient le PDF généré

Le PDF obtenu contient une page avec l'image d'origine en pleine taille et une couche de texte sélectionnable générée par l'OCR. Le fichier convient ainsi aux archives personnelles, aux applications de notes, aux dossiers de documents et aux pièces jointes d'e-mail pour lesquels le PDF est préféré à une image. La couche de texte vise la recherche plutôt qu'une reconstitution visuelle parfaite ; les colonnes complexes, les tableaux ou l'écriture manuscrite peuvent donc ne pas être parfaitement alignés. Pour les travaux de plusieurs pages, utilisez les outils d'OCR de PDF ou d'OCR par lots et fusionnez les fichiers avec un éditeur PDF dédié si nécessaire.