OCR de PDF traite les documents scannés et les PDF en images dont « le texte ne se sélectionne pas » : chaque page est d’abord rendue en image à 300 dpi, confiée au moteur tesseract qui tourne dans le navigateur, puis exportée sous trois formes — un « PDF interrogeable » qui garde l’apparence de la page d’origine et y superpose une couche de texte invisible, un TXT où les pages sont séparées par « —— Page n —— », ou un DOCX avec un groupe de paragraphes par page et un saut de page entre elles.

Un PDF qui possède déjà une couche de texte (texte sélectionnable, Ctrl+F opérationnel) n’a pas besoin d’OCR : « PDF vers Word » ou « Extraire le texte d’un PDF » lisent directement cette couche, plus vite et plus fidèlement. S’il n’y a que des images isolées, passez par « Reconnaissance de texte (OCR) ».

1. 01Choisir la langue et importerpar défaut « chinois simplifié + anglais (recommandé) » ; déposez un PDF, le nombre de pages s’affiche, et au-delà de 20 pages l’outil prévient que la reconnaissance page par page prendra longtemps.
2. 02Lancer la reconnaissancela barre progresse au rythme de « page x/n · reconnaissance du texte » et la zone de texte s’enrichit en direct du résultat de chaque page ; « Annuler la reconnaissance » conserve les pages déjà traitées.
3. 03Relire le texte« Texte reconnu » s’affiche page par page et reste modifiable — ces corrections ne concernent que le TXT téléchargé, pas le PDF interrogeable ni le DOCX.
4. 04Exporter« Télécharger le PDF interrogeable », « Télécharger le TXT » et « Télécharger le DOCX » donnent respectivement <original-name>_interrogeable.pdf, <original-name>_OCR.txt et <original-name>_OCR.docx. La première génération d’un PDF interrogeable charge la police chinoise intégrée Noto Sans SC (environ 10 Mo, une seule fois, puis mise en cache).

Entrée

un seul PDF ; un fichier chiffré affiche « Échec de l’ouverture du PDF : le fichier est peut-être corrompu ou chiffré », retirez d’abord le mot de passe avec « Déverrouiller un PDF »

Durée

chaque page est rendue à 300 dpi (grand côté limité à 4 500 pixels) avant reconnaissance ; plusieurs dizaines de pages peuvent demander plusieurs minutes, mieux vaut rester sous 50 pages par lot et découper les gros documents avec « Diviser un PDF »

Couche de texte

seuls les mots reconnus avec une confiance supérieure à 20 % sont intégrés, les mots trop petits ou considérés comme du bruit sont ignorés ; un symbole rare impossible à encoder est compté comme « ignoré » et signalé dans le message final ; la zone de sélection suit approximativement le texte d’origine, sans précision au pixel près

Fidélité

le DOCX ne contient que les paragraphes reconnus (taille de police uniforme, saut de page entre les pages), sans images, tableaux ni mise en page ; dans le PDF interrogeable, l’image de page est un nouveau rendu JPEG

Ce qu’il ne fait pas

pas de correction de l’inclinaison ni des ombres (redressez d’abord les photos avec « Amélioration de scans »), pas de traduction, pas de structuration des tableaux ; pour un PDF qui contient une couche de texte, utilisez « PDF vers Word » ou « Extraire le texte d’un PDF »

Le rendu du PDF et la reconnaissance du texte se font entièrement dans le navigateur, sans envoi du contenu des pages. Le moteur et les paquets chinois et anglais sont hébergés par ce site et doivent être téléchargés à la première utilisation ; les paquets chinois traditionnel et japonais viennent du CDN public par défaut de tesseract.js ; la première génération d’un PDF interrogeable télécharge la police Noto Sans SC (environ 10 Mo) depuis ce site, puis la met en cache. Ces requêtes ne récupèrent que le moteur, les paquets de langue et les polices, jamais votre document.