Un PDF qui s’ouvre correctement, qui s’affiche sans problème à l’écran, peut très bien ne contenir aucun texte exploitable. La question de savoir si un fichier PDF a été traité par OCR (reconnaissance optique de caractères) se pose dès qu’on tente de copier un passage, de lancer une recherche ou d’extraire des données. Plusieurs indices permettent de trancher, mais aucun test unique ne donne une réponse complète.
Couche texte invisible dans un PDF : ce que l’OCR ajoute réellement
Un fichier PDF peut stocker son contenu de trois façons distinctes. Le PDF natif, généré par un logiciel comme Word ou un navigateur, contient directement du texte sélectionnable et indexable. Le PDF image, issu d’un scan ou d’une capture photographique, ne renferme que des pixels : chaque page est une photo, sans donnée textuelle.
A découvrir également : Comment envoyer un e-mail à Zalando ?
Le troisième cas est le plus trompeur. Un PDF image traité par OCR conserve l’image d’origine mais y superpose une couche texte invisible positionnée par coordonnées. Cette couche permet la sélection et la recherche, tout en restant masquée visuellement. Le texte reconnu flotte au-dessus de l’image, calé sur les emplacements détectés par le moteur de reconnaissance.
C’est cette structure interne qui rend le diagnostic délicat. Un document peut sembler identique à l’écran, qu’il soit natif, image pure ou image avec couche OCR. Seule l’interaction avec le contenu révèle la différence.
A lire en complément : Pourquoi la visionneuse PDF Internet ne fonctionne-t-elle pas ?
Test rapide avec Ctrl+F et sélection de texte dans un PDF
Le premier réflexe consiste à ouvrir le fichier et à tenter de sélectionner du texte avec la souris. Si le curseur se transforme en outil de sélection et que des mots se surlignent, le document contient une couche texte. Si rien ne se sélectionne, le PDF est une image brute, sans OCR.
La recherche via Ctrl+F complète ce test. Tapez un mot visible sur la page : s’il est trouvé, une couche texte existe. S’il ne l’est pas, le fichier n’a pas été traité.
Pourquoi ce test ne suffit pas
Un test positif avec Ctrl+F ne confirme pas un OCR fiable. La couche texte peut contenir des erreurs de reconnaissance, des caractères mal associés ou des mots restitués dans un ordre incohérent. Un tableau à plusieurs colonnes, par exemple, produit souvent un texte mélangé quand on le copie-colle.
Pour vérifier la qualité réelle de l’OCR, il faut comparer visuellement plusieurs extraits copiés avec l’image d’origine. Les points de vigilance :
- Les accents et caractères spéciaux, souvent mal reconnus sur des scans de qualité moyenne
- Les tableaux et les mises en page multi-colonnes, où l’ordre de lecture peut être inversé
- Les nombres et montants, particulièrement sensibles dans un contexte de facturation ou de comptabilité
Un PDF dont le texte copié diverge fortement de ce qui apparaît à l’écran a bien été OCRisé, mais avec un résultat dégradé qui peut poser problème en exploitation.
Propriétés du document et métadonnées PDF : indices techniques
Au-delà du test visuel, les propriétés du fichier fournissent des informations utiles. Dans Adobe Acrobat, la section « Propriétés du document » affiche le logiciel ayant généré le fichier (champ « Application » ou « Producteur »). Un outil d’OCR comme ABBYY FineReader ou Tesseract y laisse généralement sa signature.
Un PDF natif issu de Word affichera « Microsoft Word » ou « LibreOffice » dans ces champs. Un fichier passé par un moteur de reconnaissance mentionnera le logiciel OCR utilisé. Cette information n’est pas toujours présente, car certains outils en ligne ne renseignent pas ces métadonnées.
Un autre indice réside dans la taille du fichier. Un PDF image sans OCR pèse souvent plus lourd qu’un PDF natif équivalent, car il stocke des images en pleine résolution. Après traitement OCR, la taille augmente légèrement par rapport à l’image seule, du fait de la couche texte ajoutée. Un PDF très léger pour un document de plusieurs pages suggère un fichier natif, pas un scan.
Différence entre PDF OCRisé et PDF accessible : une confusion fréquente
Un PDF OCRisé n’est pas automatiquement un PDF accessible. La présence d’une couche texte permet la recherche et la copie, mais ne garantit ni les balises sémantiques, ni un ordre de lecture logique, ni les textes alternatifs pour les images.
L’accessibilité d’un document PDF relève du standard PDF/UA, une norme ISO distincte qui impose des exigences structurelles bien plus poussées que la simple reconnaissance de caractères. L’OCR constitue une étape de production, pas une preuve de conformité.
Cette distinction prend de l’importance dans les contextes réglementaires. Un organisme public qui numérise ses archives et applique un OCR produit des fichiers consultables, mais pas nécessairement conformes aux obligations d’accessibilité numérique. Les technologies d’assistance (lecteurs d’écran notamment) ont besoin de la structure sémantique pour restituer correctement le contenu.
- L’OCR rend le texte détectable et copiable dans le document
- PDF/UA ajoute la structure (titres, listes, tableaux balisés, ordre de lecture)
- La conformité accessibilité exige les deux, plus les annotations et les textes alternatifs
Qualité du scan et fiabilité de la reconnaissance OCR
La qualité de l’OCR dépend directement du document source. Un scan net, à haute résolution, avec un contraste marqué entre le texte et le fond, produit des résultats nettement plus fiables qu’une photo prise avec un smartphone ou un scan de document froissé.
Les documents anciens, les formulaires manuscrits partiellement imprimés, les pages avec des fonds colorés ou des filigranes posent des difficultés récurrentes aux moteurs de reconnaissance. La qualité du scan conditionne directement le taux de reconnaissance, et aucun outil ne compense totalement un original dégradé.
Les moteurs récents combinent OCR classique et modèles d’intelligence artificielle pour améliorer la lecture des mises en page complexes. En revanche, les retours terrain divergent sur les gains réels pour les documents très dégradés ou les écritures non latines mélangées à du texte imprimé.
Pour vérifier concrètement si votre PDF a été correctement OCRisé, la méthode la plus fiable reste le copier-coller comparé : sélectionnez plusieurs passages répartis dans le document, collez-les dans un éditeur de texte brut, et confrontez le résultat avec ce qui apparaît à l’écran. Des divergences sur plus de quelques mots signalent un OCR à reprendre.
