PDF scanné vs PDF texte : pourquoi certains documents se convertissent et d'autres ne renvoient rien
La question d'assistance la plus fréquente concernant la conversion de PDF se résume à une variante de « j'ai déposé mon PDF et j'ai obtenu un fichier vide ». Dans presque tous les cas, le PDF est un scan : des photographies de pages emballées dans un conteneur PDF, sans aucun texte à l'intérieur.
Cet article explique les deux sortes de PDF, un test de deux secondes qui vous dit lequel vous tenez, pourquoi l'absence d'OCR dans un convertisseur est une décision de conception plutôt qu'une lacune, et le flux de travail exact qui transforme quand même un document scanné en Markdown.
Tout PDF appartient à l'une de deux catégories
Un PDF basé sur du texte comporte une couche texte : des caractères stockés sous forme de codes de caractères avec des informations de police et de position, comme les émettrait un traitement de texte. Les documents exportés depuis Word, LibreOffice, Google Docs, LaTeX ou la plupart des logiciels de reporting sont basés sur du texte, même s'ils contiennent aussi des images.
Un PDF composé uniquement d'images est une suite de photographies de pages, enveloppée dans le format PDF. Les scanners en produisent, tout comme les applications de numérisation sur téléphone, les passerelles fax-vers-e-mail et les photocopieuses qui s'envoient les documents par e-mail. Les pixels sont tout ce qu'il y a ; il n'y a aucun caractère à l'intérieur.
La confusion est compréhensible car les deux sont impossibles à distinguer à l'œil. Un PDF scanné s'ouvre dans un lecteur, affiche un texte net, supporte le zoom — et ne contient pas un seul code de caractère. Le texte que vous voyez est une image de texte.
Le test de deux secondes
Ouvrez le PDF dans n'importe quel lecteur et essayez de sélectionner une phrase avec la souris. Si la sélection surligne des mots et que vous pouvez les copier dans un éditeur de texte pour récupérer du vrai texte, le PDF est basé sur du texte et n'importe quel convertisseur le lira.
Si cliquer-glisser dessine à la place un cadre de sélection rectangulaire, façon capture d'écran, le PDF est un scan. Rien n'est sélectionnable parce que rien de sélectionnable n'existe. La commande copier ne produit rien pour la même raison.
La taille du fichier est un signal secondaire approximatif : un PDF texte de dix pages fait souvent moins d'un mégaoctet, tandis qu'un scan de dix pages à 300 ppp pèse souvent plusieurs dizaines de mégaoctets. Le test de sélection reste toutefois décisif — la taille varie trop avec la compression d'image pour qu'on s'y fie seul.
Pourquoi aucun convertisseur ne peut éviter l'OCR
Un convertisseur lit ce que le fichier contient. Pour un PDF basé sur du texte, il s'agit de codes de caractères, qui se traduisent proprement en texte Markdown. Pour un PDF composé uniquement d'images, il s'agit de pixels, et les pixels ne sont du texte en aucun sens qu'un rédacteur Markdown puisse émettre.
Combler ce fossé exige la reconnaissance optique de caractères : un modèle qui regarde l'image de chaque glyphe et devine quel caractère il représente. L'OCR est un vaste domaine spécialisé — modèles réglés par écriture, analyse de mise en page, score de confiance — et greffer un OCR médiocre sur un convertisseur produit un texte d'apparence plausible, faux exactement là où cela compte : les chiffres, les noms et les termes juridiques.
C'est pourquoi le convertisseur de ce site lit les couches texte et refuse de deviner les pixels, en vous indiquant quelles pages n'ont aucun texte extractible au lieu de vous remettre un document à l'air assuré, truffé d'erreurs de reconnaissance. Un document faux coûte plus cher qu'un refus.
Ce que l'OCR fait réellement, et où il échoue
Un logiciel d'OCR découpe l'image d'une page en lignes et en mots, classe les caractères de chaque mot, puis écrit un nouveau PDF basé sur du texte ou une sortie en texte brut — souvent en gardant l'image d'origine pour l'affichage et en superposant le texte reconnu de façon invisible. Des outils de bureau comme l'OCR d'Adobe Acrobat, ou l'ocrmypdf open source bâti sur Tesseract, le font bien.
Ses modes d'échec sont constants d'un moteur à l'autre. Les glyphes visuellement confondables — I majuscule, l minuscule, chiffre 1 — sont mal classés d'une manière que le correcteur orthographique ne repère pas. La qualité de reconnaissance chute sur les scans basse résolution, les pages de travers, les photocopies pâles et l'écriture manuscrite. Et les tableaux sont de nouveau le pire cas : l'OCR lit le texte des cellules dans l'ordre de lecture mais ne reconstruit aucune grille.
La langue compte aussi : les modèles de reconnaissance sont propres à chaque écriture, et les documents multilingues se dégradent sur la langue minoritaire. Rien de tout cela ne rend l'OCR inutile ; cela fait de sa sortie un brouillon qui mérite la même vérification que celle que vous accorderiez à un tableau converti.
Pourquoi cet outil refuse de deviner
Quand le convertisseur rencontre une page sans couche texte, il ne renvoie pas de déchets, et il ne renvoie pas rien non plus — il vous le dit. Le résultat de la conversion comprend un avertissement listant les numéros de page qui semblent avoir besoin d'OCR, et si le document entier n'a pas de texte, l'erreur le dit clairement.
C'est le contrat honnête d'un outil local : précis sur ce qu'il a lu, explicite sur ce qu'il n'a pas pu lire. La sortie partielle silencieuse, l'alternative, est la manière dont un chapitre manquant finit publié ou un contrat non signé classé comme complet.
Cette conception garde aussi l'outil petit et rapide. Les modèles d'OCR d'une seule écriture éclipseraient le moteur d'analyse lui-même, et les livrer dans le navigateur multiplierait la taille du téléchargement pour une capacité que les logiciels de bureau remplissent déjà mieux.
Réparer d'abord un PDF scanné
Le flux de travail pour les documents scannés est : l'OCR d'abord, la conversion ensuite. Faites passer le fichier par le logiciel d'OCR de votre choix — la reconnaissance intégrée d'Acrobat, ocrmypdf en ligne de commande, ou l'export d'une application de téléphone avec la reconnaissance activée — et il produit un PDF interrogeable, doté d'une couche texte.
Convertissez ensuite cette sortie. L'étape de conversion et l'étape de reconnaissance ont des qualités indépendantes, et les garder comme des phases séparées et inspectables signifie que vous pouvez vérifier le résultat de l'OCR dans un éditeur de texte avant que quoi que ce soit en aval ne le consomme.
Une mise en garde : choisissez des réglages d'OCR qui conservent l'image de page d'origine et ajoutent la couche texte, plutôt que de re-rendre les pages, afin que le PDF interrogeable reste fidèle au scan. Après cela, les conseils habituels sur la qualité de conversion s'appliquent, avec un ajout — les tableaux OCRisés demandent le même contrôle par sondage que tout tableau converti, doublement, car les erreurs de reconnaissance et de structure peuvent se cumuler.
PDF mixtes : le résultat partiel
Les documents du monde réel sont souvent hybrides : un rapport basé sur du texte avec une page de signature scannée, un contrat avec une annexe photocopiée, un article avec des figures scannées insérées. La conversion les traite page par page — les pages de texte sont converties, les pages d'image ne produisent rien et sont signalées dans les avertissements.
Lisez la liste des avertissements avant de lire la sortie. Elle vous dit exactement quelles sections du document sont absentes, de sorte que le résultat partiel puisse être fusionné avec des pages OCRisées séparément, plutôt que pris pour le document entier.
Ce cas hybride est l'argument le plus fort en faveur de la conception par avertissements : l'outil ne décide pas à votre place si quatre-vingts pour cent d'un document suffisent. Il rapporte la frontière avec précision et laisse le jugement, et l'étape d'OCR, là où ils doivent être — entre vos mains.