Extraction de texte ou OCR : lire du vrai texte ou reconnaître une image
Récupérer les mots d'un PDF peut se faire de deux façons très différentes. Si le fichier a été créé sur un ordinateur, le texte est déjà stocké à l'intérieur et l'extraction se contente de le lire dans le bon ordre. Si le fichier est une numérisation ou une photo, la page n'est qu'une image, et l'OCR, ou reconnaissance optique de caractères, doit identifier les lettres à partir des pixels. Choisir la bonne méthode fait gagner du temps et évite des erreurs.
En bref
| Critère | Extraction de texte | OCR |
|---|---|---|
| Fonctionne sur | Des PDF avec du vrai texte. | Des numérisations, photos et PDF composés d'images. |
| Comment ça marche | Lit le texte stocké. | Reconnaît les lettres à partir de l'image. |
| Précision | Exacte, c'est le texte d'origine. | Bonne sur des pages propres, moins sur de mauvaises numérisations. |
| Rapidité | Très rapide. | Plus lente, augmente avec le nombre de pages. |
| Résultat | Du texte brut ou une copie du contenu. | Une couche de texte ou des mots extraits. |
Comment savoir ce qu'il vous faut
Ouvrez le PDF et essayez de sélectionner un mot avec le curseur. S'il est surligné, le fichier contient du vrai texte et l'extraction suffit. Si vous ne pouvez sélectionner que la page entière en bloc, ou rien du tout, c'est une image et il faut de l'OCR. Après la reconnaissance, relisez attentivement le résultat, car de petites erreurs sur des nombres et des noms passent facilement. La langue du document doit correspondre à celle choisie pour la reconnaissance. Gardez le fichier d'origine dans les deux cas.
Quand choisir quoi
Extraction de texte
Choisissez l'extraction de texte quand le PDF a été créé numériquement et que vous avez besoin du texte exact pour modifier, rechercher ou analyser.
OCR
Choisissez l'OCR quand le PDF est une numérisation ou une photo et que les mots ne sont que des images à transformer en texte consultable et copiable.
Outils gratuits pour les deux options
Guides qui le mettent en pratique
Les termes PDF expliqués
- Couche de texteLa couche de texte est la partie d'un PDF qui contient de vrais caractères, pour rechercher, sélectionner et copier. Voyez comment une numérisation l'obtient par OCR et comment la vérifier.
- OCR (reconnaissance optique de caractères)L’OCR transforme l’image d’une page en texte que l’on peut rechercher et copier. Voyez comment il fonctionne, ce qui influence sa précision et pourquoi un PDF numérisé en a besoin.
Questions fréquentes
- Et si le PDF contient à la fois du vrai texte et des images ?
- Extrayez d'abord le vrai texte. N'appliquez l'OCR qu'aux pages qui sont des images, pour ne pas reconnaître un texte déjà exact.
- L'OCR peut-il se tromper ?
- Oui, surtout avec des numérisations floues, des polices inhabituelles ou de l'écriture manuscrite. Vérifiez nombres et noms avec l'original.
- Quels outils d'AuraDoc s'en occupent ?
- PDF vers texte lit le texte existant, OCR PDF ajoute une couche de texte aux pages numérisées et Copier le texte d'un PDF numérisé récupère les mots d'un fichier composé d'images.