Comment faire une OCR sur un PDF scanné sur un Mac
Texte en direct contre OCR
C'est la distinction à retenir. Texte en direct reconnaît les caractères d'une image au moment où vous la regardez, dans la visionneuse, et vous rend une sélection. Rien ne change sur le disque. Fermez le fichier et la reconnaissance a disparu. L'OCR s'exécute une fois et écrit les mots reconnus dans le PDF sous forme de couche invisible, positionnée sous l'image de la page.
Les deux permettent de copier une phrase. Une seule rend le document cherchable, indexable par Spotlight, lisible par un lecteur d'écran, convertible vers Word et retrouvable dans six mois quand vous aurez oublié le nom du fichier.
Texte en direct est réellement utile : attraper une adresse sur un scan est plus rapide que toute autre méthode. Ce n'est simplement pas un substitut, et parce qu'il marche si bien, il persuade les gens qu'ils ont déjà une couche de texte.
Le scan compte plus que l'outil
La précision de la reconnaissance se joue à la prise de vue. 300 ppp est le plancher pour de l'impression ordinaire ; sous 200, le moteur commence à deviner entre des formes voisines. Une page photographiée de biais perd en précision à cause de la déformation. L'ombre d'une lampe de bureau rend une bande de texte illisible. Tout moteur d'OCR s'en sort bien avec un scan propre et tous peinent avec un mauvais : le temps est donc mieux investi à rescanner qu'à chercher un meilleur logiciel.
La prise au téléphone convient si la page est à plat, la lumière uniforme et l'appareil parallèle au papier. Les modes de numérisation de documents qui redressent la page automatiquement aident beaucoup.
Ce qui reste difficile
L'écriture manuscrite, en général. Les tableaux denses, où le moteur lit par-dessus les limites de cellules. Les mises en page sur deux colonnes, où l'ordre de lecture doit être déduit. Les ligatures et les caractères anciens. Plusieurs écritures sur une même page. Un résultat juste à 98 % signifie encore un caractère faux toutes les deux lignes : tout ce qui a des conséquences doit donc être relu, pas cru.
Confidentialité, puisqu'il s'agit en général d'un document qui compte
Les PDF scannés sont plutôt les documents personnels : contrats, courriers médicaux, papiers fiscaux, pièces d'identité. L'OCR en ligne envoie tout cela sur le serveur de quelqu'un d'autre. La reconnaissance tourne très bien sur un Mac moderne sans aucun envoi, et pour cette classe de documents c'est le réglage par défaut sensé.
Étape par étape
- Testez ce que vous avez
Ouvrez le PDF et appuyez sur ⌘F. Si un mot que vous voyez nettement ne donne aucun résultat, il n'y a pas de couche de texte. - C'est la qualité du scan qui décide de la précision, pas le logiciel
300 ppp, page à plat, lumière uniforme. Rien ne rattrape une prise floue ou de travers. - Lancez l'OCR pour produire un PDF cherchable
Le résultat doit être identique à l'œil et différent à l'usage : sélectionnable, cherchable, indexable. - Vérifiez avec ⌘F, puis avec Spotlight
Cherchez un mot pris au milieu du document. Puis cherchez-le dans le Finder pour confirmer que l'index l'a vu.
Notre app iOS pour exactement ça. Elle tourne sur ton appareil — sans compte et sans suivi.