Faire l’OCR d’un PDF
Un outil gratuit qui lit le texte des PDF numérisés par OCR (reconnaissance optique de caractères) et les convertit en PDF recherchables. Le texte lu est ajouté aux pages sous forme de texte invisible : les pages gardent le même aspect. Votre PDF est traité dans votre navigateur et n’est jamais envoyé. Vous pouvez lire jusqu’à 200 pages à la fois (30 pages sur les appareils où le traitement est plus long). Vous pouvez ouvrir des PDF jusqu’à 200 Mo par fichier (100 Mo sur téléphones et tablettes).
La première exécution télécharge un modèle d’IA (environ 17 Mo) depuis ce site, seulement si un PDF contient des pages dont le texte est une image ; les exécutions suivantes utilisent la copie stockée dans votre navigateur. Vos PDF ne sont jamais envoyés.
Réglages
Mode d’emploi
- 1
Ajoutez des PDF
Choisissez ou déposez les PDF à lire. Vous pouvez ajouter plusieurs PDF à la fois. Vos PDF ne sont jamais envoyés.
- 2
Choisissez la langue du document
Dans « Langue du document », choisissez la langue dans laquelle le PDF est rédigé. Pour ne lire que certaines pages, indiquez-les dans « Plage de pages ».
- 3
Lisez et enregistrez
Appuyez sur « Lancer » pour lire les pages dont le texte est une image et créer un PDF avec une couche de texte. Enregistrez-le avec « Enregistrer », et vérifiez les lignes reconnues avec « Vérifier le texte reconnu ».
À propos de l’OCR des PDF
Le texte est lu avec le modèle de reconnaissance de texte de PaddleOCR (PP-OCRv6, Apache-2.0), qui s’exécute dans votre navigateur. Ce n’est que lorsqu’un PDF contient des pages dont le texte est une image que la première exécution télécharge le modèle d’IA (environ 17 Mo) depuis ce site ; les exécutions suivantes utilisent la copie stockée dans votre navigateur. Sur les appareils qui ne peuvent pas utiliser le GPU (WebGPU), le traitement se fait sur le CPU et prend plus de temps que sur le GPU. Après la lecture de la première page, l’outil estime la durée totale d’après le temps qu’a pris cette page sur votre appareil et l’affiche. Le texte invisible utilise une police créée à partir de GlyphLessFont de Tesseract (Apache-2.0).
Les pages qui ont déjà des données texte et celles qui ont déjà une couche de texte OCR ne sont pas lues et restent telles quelles. Sur les pages qui mélangent données texte et images, seules les parties qui ne chevauchent pas les données texte sont lues. Les pages dont les données texte sont corrompues (sélectionner le texte donne d’autres caractères) ne reçoivent pas de couche de texte. Choisir « Japonais » dans « Langue du document » limite la reconnaissance aux caractères utilisés dans les documents japonais, et choisir « Coréen » utilise un modèle coréen (environ 13 Mo, qui ne sait pas lire les caractères chinois). Appuyez sur « Vérifier le texte reconnu » pour voir les lignes reconnues encadrées sur la page, les lignes plus susceptibles de contenir des erreurs étant affichées dans une autre couleur.
Caractéristiques de cet outil
- Entrée
- Sortie
- Limites
- Nombre de fichiers illimité (traitement par lots). Jusqu’à 200 MB par fichier (100 MB sur téléphones et tablettes). Jusqu’à 200 pages lues à la fois (30 pages sur les appareils qui traitent sur le CPU)
- Gratuit, sans inscription, aucune application à installer
- Les fichiers ne sont jamais envoyés (traités dans votre navigateur)
Questions fréquentes
Mon PDF est-il envoyé à un serveur ?
Non. L’ouverture du PDF, la lecture du texte et l’enregistrement ont tous lieu dans le navigateur de votre appareil. Des statistiques qui nous aident à corriger les bugs (plage du nombre de pages, plages du nombre de pages et de lignes lues, plage du temps par page, types d’erreurs, etc.) sont envoyées au serveur de ce site. Elles ne contiennent ni le contenu du PDF, ni le texte reconnu, ni les noms de fichier, ni les mots de passe, ni les plages de pages que vous saisissez. Vous pouvez désactiver ces statistiques avec l’interrupteur « Envoyer les statistiques de traitement » en bas de la page.
Peut-il lire un PDF protégé par mot de passe ou restreint par son auteur ?
Oui. Un PDF protégé par mot de passe s’ouvre une fois son mot de passe d’ouverture saisi. Si l’auteur a restreint la modification du contenu ou la copie et l’extraction, l’outil ne lit pas le PDF tant que vous n’avez pas saisi le mot de passe des autorisations (ajouter une couche de texte rendrait le texte restreint extractible). Cet outil ne devine pas les mots de passe : si vous ne connaissez pas le mot de passe des autorisations, adressez-vous à la personne qui a créé le PDF. Le chiffrement du PDF d’origine reste tel quel dans le PDF enregistré. Si le PDF porte une signature numérique, la signature n’est plus valide dans le PDF enregistré.
Peut-il lire le texte vertical ou l’écriture manuscrite ?
Il est conçu pour le texte imprimé écrit à l’horizontale. Il lit aussi les pages de texte vertical, mais avec plus d’erreurs que le texte horizontal, et il peut manquer la ponctuation. L’écriture manuscrite n’est pas prise en charge.
Le texte reconnu peut-il contenir des erreurs ?
Oui. Selon la taille du texte, la résolution de numérisation, ainsi que les taches ou l’inclinaison du papier, certains caractères peuvent être mal lus ou manqués. Les nombres très espacés dans les tableaux sont plus souvent mal lus que le reste du texte. Quand « Japonais » est choisi comme langue du document, les caractères hors des jeux de kanji JIS de niveaux 1 et 2 et les emoji peuvent être lus comme des caractères d’apparence similaire. Avant d’utiliser le PDF enregistré, vérifiez les lignes plus susceptibles de contenir des erreurs avec « Vérifier le texte reconnu ». Cet outil ne permet pas de corriger le texte reconnu.
Aidez-nous à améliorer le service
Si une conversion échoue, nous envoyer les circonstances de l’échec nous aide à en trouver la cause. Savoir sur quels appareils et avec quels formats les échecs sont les plus fréquents, et combien de temps prend le traitement, nous permet de revoir les formats pris en charge et de corriger les bugs qui en sont à l’origine. Si cela ne vous dérange pas, laisser cette option activée nous aide vraiment.
Ce qui est envoyé
- L’outil utilisé et les réglages choisis (format de sortie, qualité, etc.)
- Les caractéristiques de votre appareil (GPU, mémoire, nombre de cœurs)
- Le format d’entrée, avec une taille approximative
- Le nombre de fichiers réussis ou en échec et le temps de traitement
- Le type et le détail de l’erreur en cas d’échec
Ce qui n’est jamais envoyé
- Les fichiers eux-mêmes et les noms de fichiers
- Le texte des PDF, le texte que vous avez réécrit ou caviardé, les mots de passe, les noms de polices et les plages de pages que vous saisissez
- Le texte reconnu et la position des lignes reconnues
- Les adresses IP
Les données sont envoyées uniquement au serveur de ce site, jamais à un service tiers.
Pour la liste complète, y compris les détails envoyés par chaque outil, consultez « Statistiques de traitement » dans la politique de confidentialité.
Détails envoyés par cet outil (uniquement des nombres, des durées, des types et des oui/non)
En plus de « Ce qui est envoyé », cet outil envoie les détails suivants.
- Outils PDF (tous)
- La tranche du nombre de pages, si la modification est restreinte, si un mot de passe des autorisations a été saisi, et si le PDF est signé ou chiffré.
- OCR pour PDF
- Le nombre de fichiers en entrée et en sortie, de pages lues, de pages lues sans texte trouvé, de pages avec des données texte qui n’ont pas été lues, de pages mêlant données texte et images, de pages qui avaient déjà une couche de texte OCR, de pages aux données texte corrompues, de pages vides, de pages qui n’ont pas pu recevoir de couche de texte, de pages dont l’orientation a été corrigée et de pages où une section non fermée du contenu d’origine a été fermée, de lignes et de caractères lus, de zones et de caractères non lus parce qu’ils chevauchaient du texte ou des annotations existants, et de passes d’ajout de la couche de texte (tous par tranches), les tranches de la part de lignes verticales et de lignes plus susceptibles de contenir des erreurs, les tranches du temps par page et du temps de chargement du modèle d’IA, le type et la version du modèle d’IA et s’il a été téléchargé, la tranche de la résolution de rendu et si elle a été abaissée, la tranche du nombre de parties en lesquelles une image a été découpée pour trouver le texte, si le temps estimé dépassait 15 minutes, si le GPU est devenu indisponible, et si la protection d’origine a été réappliquée.