Comment faire l’OCR d’un PDF arabe numérisé et le rendre cherchable
Un document numérisé est une image de page. Vous pouvez le lire, mais votre ordinateur non : chercher un mot ne trouve rien, copier ne donne rien et un éditeur n’a aucun texte à changer. La reconnaissance optique de caractères (OCR) lit l’image et ajoute au fichier le texte qu’elle y trouve.
L’arabe fait partie des écritures difficiles pour l’OCR : les lettres se lient, changent de forme et portent des points et de petits signes faciles à perdre sur un mauvais scan. Ce guide explique comment obtenir un bon résultat et comment le vérifier. Tout se passe dans votre navigateur : le scan n’est jamais envoyé.
Avant de commencer : un scan propre
La qualité de l’image compte plus que tout le reste. Quelques minutes passées sur le scan évitent beaucoup de corrections ensuite.
- Numérisez en 300 ppp quand c’est possible. Une résolution plus faible perd les points qui distinguent beaucoup de lettres arabes.
- Gardez la page droite et à plat. Une photo prise de biais, ou la page bombée d’un livre, donne des résultats bien moins bons.
- Préférez un texte noir sur page blanche, avec une lumière uniforme, sans ombre ni fond coloré.
- Si vous n’avez que des photos, transformez-les d’abord en PDF avec JPG en PDF : une page par image, dans le bon sens.
Pas à pas
- Ouvrez le PDF numérisé dans l’outil OCR PDF. PDFancy remarque que les pages ne contiennent pas de texte et propose de le reconnaître.
- Cliquez sur Reconnaître le texte. Dans Langues du document, cochez Arabe. Si la page contient aussi des mots en français ou en anglais, cochez cette langue ; sinon décochez-la, la reconnaissance sera plus rapide et plus juste. Arabe est coché d’office quand votre navigateur est réglé en arabe.
- Lancez la reconnaissance. La fenêtre indique la page en cours de lecture. Comptez quelques secondes par page, sur votre appareil.
- Une fois terminé, chaque page porte son texte reconnu. Cliquez sur un paragraphe pour le vérifier ou le corriger.
- Téléchargez le PDF. Il ressemble exactement au scan, mais son texte peut désormais être cherché, sélectionné et copié.
Ce que vous obtenez
Le texte reconnu est ajouté sous forme de couche invisible, exactement par-dessus les mots de l’image, dans l’ordre de lecture. C’est ce qui rend le document cherchable dans n’importe quel lecteur PDF et lisible par les lecteurs d’écran, tandis que la page garde l’apparence du scan d’origine.
Vous pouvez aussi corriger ou changer le texte. Quand vous modifiez un paragraphe reconnu, les anciens mots sont recouverts de la couleur du fond de page et les nouveaux sont écrits par-dessus, de droite à gauche, dans la police arabe fournie la plus proche par le style : Amiri pour les pages d’allure classique à empattements, IBM Plex Sans Arabic pour les pages plus sobres. Le résultat est meilleur sur des pages propres et blanches. Pour aller plus loin, lisez comment modifier un PDF en arabe.
Enfin, le document reconnu peut partir vers Word : voyez comment convertir un PDF arabe en Word.
Les limites à connaître
- Le moteur lit le texte imprimé. L’écriture manuscrite et la calligraphie ornementale, comme les titres en thuluth ou en diwani, sont rarement bien reconnues.
- Les voyelles (harakat) sont souvent oubliées ou simplifiées : les textes entièrement vocalisés, comme la poésie, demandent une relecture attentive.
- Les noms propres, les nombres et les mots écrits dans des polices rares sont les plus exposés aux erreurs.
- Pour les paragraphes arabes, l’application ne cherche pas à identifier la police exacte du scan ; elle choisit l’une de ses deux polices arabes selon le style.
Comment vérifier le résultat
- Utilisez la recherche du lecteur (Ctrl+F) pour retrouver quelques mots visibles sur la page, dont un nom et un nombre.
- Sélectionnez un paragraphe, copiez-le et collez-le dans un éditeur de texte pour le relire en texte brut, de droite à gauche.
- Comparez les chiffres importants, comme les montants et les dates, avec l’image avant de vous fier au texte.
Conseils
- Ne cochez que les langues réellement présentes dans le document : chaque langue en plus ralentit la reconnaissance et multiplie les risques de confusion.
- Pour un long document, reconnaissez d’abord une seule page test, pour vérifier que la qualité du scan suffit.
- Gardez le scan d’origine : le PDF reconnu est un nouveau fichier, et vous voudrez peut-être recommencer plus tard avec un meilleur scan.
- La reconnaissance tourne sur votre appareil : un ordinateur récent va plus vite qu’un vieux téléphone pour les longs documents.
Questions fréquentes
Mon document numérisé est-il envoyé à un serveur pour l’OCR ?
Non. Le moteur de reconnaissance et les données de la langue arabe font partie de l’application et tournent dans votre navigateur. Rien n’est envoyé.
Quelles langues peuvent être reconnues ?
L’arabe, le français et l’anglais, seuls ou ensemble sur la même page.
L’OCR lit-elle l’arabe manuscrit ?
Pas de façon fiable. Le moteur est conçu pour le texte imprimé ; l’écriture manuscrite donne en général de mauvais résultats.
Le PDF change-t-il d’apparence après l’OCR ?
Non. La page garde l’image du scan ; le texte reconnu est ajouté de façon invisible par-dessus, jusqu’à ce que vous choisissiez de modifier un paragraphe.