Comment corriger les sauts de ligne et la césure OCR avant la traduction
Réparez le texte OCR avec retours à la ligne sans supprimer les vrais traits d'union, paragraphes, listes ou vers. Utilisez une méthode réversible et douze exemples téléchargeables.
Pour corriger les sauts de ligne issus de l'OCR, identifiez d'abord le texte appartenant à un même paragraphe. Remplacez uniquement ses fins de ligne indésirables par des espaces. Pour un mot coupé sur deux lignes, décidez au cas par cas s'il faut supprimer le trait d'union ou le conserver : trans- suivi de lation devient translation, mais well- suivi de known devient well-known. Tenez un journal des modifications et comparez les raccords douteux avec la page originale.
N'appliquez pas les commandes « supprimer tous les sauts de ligne » ou « supprimer tous les traits d'union » à l'ensemble d'un livre. Un extrait nettoyé à l'excès peut sembler plus fluide tout en ayant perdu un paragraphe, fusionné deux éléments de liste ou altéré un identifiant technique. L'objectif est d'obtenir une copie fiable pour la lecture ou la traduction, et non le plus petit nombre possible de caractères de saut de ligne.
Ce guide commence après l'étape de reconnaissance optique de texte. Si la copie depuis un PDF génère des lettres ou des chiffres incorrects, commencez par diagnostiquer sa couche de texte. Modifier les sauts de ligne ne permettra jamais de transformer un B-2O4 mal reconnu en le B-204.
Déterminez ce que représente chaque saut de ligne
Conservez le scan original et l'extrait brut sans les modifier. Dans une copie de travail, activez l'affichage des espaces ou des marques de paragraphe dans votre éditeur. Redimensionnez la fenêtre : une ligne dont le texte se réorganise sans saut de ligne enregistré subit simplement un retour à la ligne automatique à l'écran ; il n'y a rien à supprimer.
Les sauts de ligne physiques nécessitent une vérification distincte. Comparez un paragraphe continu, un titre, une liste et toute mise en page atypique avec l'image de la page source. Ne déduisez pas la structure de tout le document à partir de sa seule page de titre.
| Ce que représente le saut de ligne | Action appropriée | Éléments de preuve nécessaires |
|---|---|---|
| Un retour à la ligne visuel entre des mots au sein d'un même paragraphe | Remplacer le saut de ligne enregistré par une espace | Les deux lignes appartiennent au même paragraphe dans la source |
| Une coupure au milieu d’un mot | Fusionner les fragments, en supprimant généralement le trait d’union de mise en page | L'orthographe voulue, le contexte source et les règles propres à la langue |
| Un renvoi à la ligne après un véritable trait d’union de mot composé | Supprimer le saut de ligne, conserver le trait d’union | Le mot conserve ce trait d’union indépendamment du saut de ligne |
| Une limite de paragraphe, de titre, d’élément de liste ou de vers | Préserver la limite | La structure source, pas seulement la ponctuation de fin de phrase |
| Une transition de colonne ou de page dont l’ordre est incertain | Laisser en suspens et inspecter la page | La continuité du texte, l’ordre des colonnes, les légendes et les notes de bas de page |
Les lignes vides et les indentations peuvent aider à repérer les paragraphes, mais ce sont des indices et non des certitudes. Un titre peut ne pas être suivi d’une ligne vide. Une ligne indentée peut être la suite d’une liste et non un nouveau paragraphe. Une ligne courte terminée par un point peut aussi bien être la fin d’un paragraphe qu'une phrase située en plein milieu de celui-ci.
Si les exports OCR fournissent des informations de mise en page ou de structure de blocs, conservez-les lors de la vérification du texte. Un simple export en texte brut risque de supprimer les indices indispensables à la reconstitution de ces délimitations.
Distinguer les mots coupés des véritables traits d'union
Trois cas visuellement similaires exigent des corrections différentes :
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
La dernière ligne utilise \u00AD pour rendre explicite un caractère autrement difficile à voir. Unicode distingue le U+00AD TRAIT D'UNION CONDITIONNEL, un marqueur de coupure conditionnel au sein d'un mot, d'un trait d'union visible tel que U+2010 TRAIT D'UNION. Ces caractères ne sont pas interchangeables. La spécification de saut de ligne d'Unicode décrit également les modifications orthographiques propres à chaque langue lors d'une coupure ; supprimer un trait d'union visible et concaténer les lettres ne suffit pas toujours.
Pour de la prose ordinaire, supprimer un marqueur conditionnel vérifié permet d'obtenir un texte prêt pour la lecture. Pour une transcription d'archive, conservez l'original séparément : supprimer un marqueur modifie l'encodage du texte, même si le mot semble identique visuellement.
Utilisez un dictionnaire dans la langue source pour vérifier une proposition d'orthographe, puis revenez au passage concerné. Une entrée de dictionnaire constitue un indice, non une autorisation d'écraser un nom propre, un identifiant ou une graphie historique. Des occurrences répétées dans le document apportent aussi de précieux indices, mais une erreur d'OCR peut très bien se reproduire à l'identique.
Par exemple, notre échantillon en allemand est :
Die Auf-
gabe ist klar.
Le mot recherché dans cet exemple rédigé est Aufgabe; L'entrée du Duden indique sa césure sous la forme Auf|ga|be. Joindre Auf- et gabe est ici justifié. Cet exemple isolé ne constitue pas une règle générale de déshyphénation pour l'allemand, et l'orthographe d'un dictionnaire moderne ne doit pas remplacer discrètement celle d'une édition plus ancienne.
Traitez les URL, codes de catalogue, noms chimiques, valeurs négatives et autres jetons techniques comme des cas d'examen distincts. Le maintien d'un tiret ou d'un trait d'union doit découler de la source et du sens du terme, et non d'une heuristique basée sur le vocabulaire anglais.
Ce que révèlent douze exemples contrôlés
Nous avons conçu une démonstration de nettoyage téléchargeable contenant douze chaînes de caractères originales. Leurs termes cibles et leur structure ont été définis lors de leur rédaction ; nous y avons ensuite inséré des sauts de ligne ciblés et des artefacts de césure. Il s'agit d'exemples de texte synthétiques, et non de résultats d'un moteur d'OCR ou de numérisations d'un livre.
La méthode de référence, délibérément rudimentaire, effectue trois remplacements : supprimer la séquence trait d'union-saut de ligne, remplacer les sauts de ligne restants par des espaces et éliminer les traits d'union conditionnels. Une seconde approche applique uniquement des modifications validées individuellement sur le texte exact. Elle ne cherche aucunement à identifier les paragraphes ou à trancher automatiquement sur l'orthographe d'un mot.
| Échantillon | Méthode brute | Décision validée |
|---|---|---|
| Retour à la ligne de prose anglaise | Joint correctement les deux lignes | Remplacer le saut de ligne vérifié par un espace |
trans- / lation | Produit correctement translation | Supprimer le trait d'union inséré et le saut de ligne |
well- / known | Produit wellknown | Conserver le véritable trait d'union |
Allemand Auf- / gabe | Produit correctement Aufgabe | Ne joindre que cette graphie vérifiée |
| U+00AD intégré | Supprime le marqueur conditionnel | Le supprimer dans cette copie de lecture rédigée |
| Points de suspension français, puis nouveau paragraphe | Fusionne les paragraphes | Conserver la délimitation définie par l'auteur |
| Liste numérotée, vers, code et titre | Aplatit des structures distinctes | Préserver leurs sauts de ligne |
| Deux paragraphes sans ligne vide | Les fusionne en un seul | Préserver les paragraphes définis par l'auteur |
| Marqueur de page non vérifié | Aplatit la transition de page | Le laisser intact jusqu'à ce que l'ordre soit vérifié |
Le 3 octobre 2026, l'exécution du jeu d'essai avec Node.js 25.2.1 a produit un texte conforme à la référence pour 4 exemples sur 12 avec la méthode de référence rudimentaire. Le parcours validé a correspondu aux douze références et a restauré l'ensemble des douze entrées grâce à l'annulation. Il a également rejeté les entrées obsolètes, les correspondances non uniques et les correspondances manquantes.
Ces résultats évaluent l'application exacte des correctifs par rapport à des références rédigées connues. Ils ne mesurent pas la précision en conditions réelles : les décisions validées contiennent déjà les réponses, et le corpus a été délibérément choisi pour mettre en évidence les cas d'échec. Nous n'avons testé aucun outil de nettoyage commercial, moteur d'OCR, modèle de traduction ou téléversement BookTranslator. Aucun nouvel essai n'a été effectué et aucun échantillon n'a été exclu.
Téléchargez les entrées/sorties réelles ainsi que le journal des correctifs et les instructions de reproduction. Le script JavaScript s'exécute localement sans dépendances ni appels réseau et affiche les résultats ; il ne réécrit pas vos fichiers. Ses vérifications empêchent l'application d'une modification validée à un texte différent. Elles ne peuvent pas déterminer si une modification est linguistiquement correcte.
Nettoyez un bloc vérifié à la fois
Commencez par un court bloc de prose dont vous pouvez déterminer l'ordre de lecture et les limites de paragraphe. Ne débutez pas par un chapitre entier comprenant des légendes, des citations, des listes et des notes de bas de page.
- Enregistrez une copie brute et notez l'emplacement source. Conservez le nom du fichier, le numéro de page, le paragraphe ou le bloc ainsi que la langue pour chaque passage examiné.
- Délimitez d'abord les frontières structurelles. Séparez les titres, les éléments de liste, les vers, les tableaux et le code de la prose ordinaire. Conservez les références de page en dehors du texte de lecture si vous supprimez ultérieurement leurs balises.
- Raccordez les retours à la ligne ordinaires entre les mots au sein de ce bloc. Remplacez chaque coupure confirmée par une espace. Vérifiez que les mots n'ont pas été collés et qu'une espace existante ne s'est pas transformée en doublon indésirable.
- Examinez les mots coupés séparément. Affichez le segment complet ainsi que la phrase environnante. Indiquez « supprimer le trait d'union de mise en page », « conserver le trait d'union d'origine » ou « non résolu ». Ne traitez pas une occurrence non résolue comme une modification approuvée.
- Inspectez le diff avant de l'accepter. Comparez chaque saut de ligne ou trait d'union supprimé avec sa source. Enregistrez la version nettoyée sous un nouveau nom de fichier, en consignant les décisions prises.
- Rouvrez le résultat enregistré et copiez depuis celui-ci. Vérifiez le fichier réel que vous allez utiliser, pas seulement l'aperçu de l'éditeur.
Pour un extrait court, des modifications manuelles avec suivi des modifications ou une comparaison avant/après peuvent suffire. Pour un extrait plus long, une liste de correctifs doit consigner la sous-chaîne d'origine exacte, le remplacement, l'emplacement, le motif et le relecteur. Une somme de contrôle (checksum) de la source évite d'appliquer d'anciennes validations après une modification du texte d'entrée.
Si votre éditeur propose un mode de nettoyage préservant les paragraphes, testez ce mode sur les blocs complexes, et pas seulement sur la prose fluide. Préserver les doubles sauts de ligne ne permettra pas de récupérer une limite de paragraphe que l'OCR a représentée par un saut de ligne simple. Ne supprimez pas l'indentation et ne réduisez pas tous les espaces avant d'avoir vérifié les tableaux et le code.
Savoir quand revenir à l'image de la page
La ponctuation française illustre bien pourquoi la détection de fin de phrase ne correspond pas à la détection de paragraphe. Dans notre exemple rédigé, Il attend… et Le lendemain, il part. appartiennent à des paragraphes distincts. Les points de suspension ne suffisent pas à eux seuls à établir cette coupure. Les recommandations de l'Office québécois de la langue française sur les points de suspension décrivent des usages incluant l'interruption ou une idée inachevée ; fiez-vous à la structure de la page pour décider s'il faut joindre la ligne suivante.
Rendez la vérification sur l'image source obligatoire pour ces cas de figure :
| Cas de figure | Pourquoi le texte seul ne suffit pas | Ce qu'il faut comparer |
|---|---|---|
| Titre immédiatement suivi de texte courant | Aucune ligne vide ne subsiste parfois après l'extraction | Police, alignement, espacement et rôle dans la section |
| Passage à cheval sur une page ou une colonne | Un en-tête, une légende ou une note de bas de page peut l'interrompre | Dernière ligne source, continuité et ordre de lecture |
| Nom propre, code, quantité ou terme peu familier | Une fusion plausible peut tout de même en altérer la valeur | Chaque caractère, y compris le type de tiret et les chiffres |
| Une coupure dans une langue historique | L'orthographe au niveau d'une coupure imprimée peut différer du mot entier | L'édition, la graphie source et un ouvrage de référence linguistique adapté |
| Vers, listes, tableaux ou code | Les sauts de ligne peuvent être porteurs de sens ou de structure | La disposition des vers, les délimitations d'éléments, les cellules et l'indentation |
| Points de suspension, abréviation ou ligne finale courte | La ponctuation ne prouve pas la position du paragraphe | Le paragraphe complet et les blocs qui l'entourent |
Si plusieurs pages présentent le même problème, recherchez ce motif dans l'ensemble du document et examinez les occurrences. Si des lettres sources, l'ordre de lecture ou des passages entiers sont erronés, interrompez la normalisation et revoyez l'étape de reconnaissance ou d'extraction. Pour la reconnaissance de plusieurs langues au sein d'un même document, utilisez plutôt le flux OCR pour PDF multilingues.
Vérifier le texte source nettoyé avant de le traduire
Comparez un bloc modifié avec la page d'origine, puis vérifiez un bloc différent ainsi que chaque type de structure présent dans l'extrait. Conservez les échecs connus dans votre échantillon de révision. L'échantillonnage fournit des indications sur les passages vérifiés ; il ne garantit en rien le reste de l'ouvrage.
- Confirmez que les noms, chiffres, dates et codes correspondent toujours à la source.
- Vérifiez chaque trait d'union supprimé ainsi que toute orthographe reconstituée au niveau d'une coupure.
- Comparez les limites des paragraphes, des titres, des éléments de liste et des vers.
- Vérifiez que les premières et dernières lignes ont bien été conservées lors de chaque transition de page.
- Recherchez les cas non résolus et laissez-les visibles dans le journal de révision.
- Assurez-vous que la version finale enregistrée est bien celle que recevra l'étape suivante de votre flux de travail.
Si vous aviez uniquement besoin d'un texte indexable ou de notes, cet extrait vérifié peut constituer le résultat final. Vous n'avez pas besoin de recourir à la traduction pour le corriger.
Si vous avez besoin du document dans une autre langue, préparez le contenu vérifié dans un format de document pris en charge et utilisez le flux de traduction de documents complets. Le mode OCR de BookTranslator reconstruit un PDF traduit à partir du contenu reconnu plutôt que de reproduire la mise en page d'origine ; il ne s'agit pas d'un éditeur externe de nettoyage de texte ni d'une garantie que chaque saut de ligne source a été interprété correctement. Le guide pour PDF scannés explique quand la reconnaissance est nécessaire.
Conservez les pages originales et le journal de nettoyage pour la phase finale de contrôle qualité de la traduction du PDF. Une phrase cible fluide ne peut pas vous indiquer si le texte source devait contenir un véritable trait d'union, ou si deux phrases apparemment continues formaient en réalité des paragraphes distincts.
Articles connexes
