Extraction de texte PDF vs OCR : choisir la bonne approche avant la traduction
Testez chaque page de PDF avant la traduction. Suivez cette méthode pour savoir quand conserver le texte existant, lancer l'OCR ou remplacer une couche de texte erronée.
Utilisez l'extraction de texte lorsqu'un PDF contient déjà du texte exploitable et fiable par une machine. Utilisez l'OCR lorsqu'une page ne contient qu'une image de texte. Si une page comporte une couche de texte existante mais erronée, aucune de ces deux règles ne suffit : vous devez comparer les mots extraits avec la page visible avant de décider s'il faut conserver, remplacer ou recréer cette couche.
Cette décision doit être prise avant la traduction. Un outil de traduction ne peut pas rétablir une quantité, un nom ou une phrase qui a été mal importée dans le processus. Il ne peut que traduire la source qu'il reçoit.
Tableau de décision rapide
Testez les pages, pas seulement les fichiers. Un même PDF peut mélanger une page de titre numérique, des chapitres scannés et des encarts issus d'un ancien OCR.
| Contenu de la page | Résultat de l'extraction | Première approche | Points à vérifier |
|---|---|---|---|
| Texte nativement numérique | Les mêmes mots que ceux affichés sur la page | Conserver et extraire | Caractères, ordre, titres, liens et échantillon plus large |
| Image de page uniquement | Résultat vide ou presque vide | Appliquer l'OCR à cette page | Noms, chiffres, paragraphes, colonnes et langue |
| Scan avec texte masqué fidèle | Texte correspondant à l'image | Généralement le conserver | Passages représentatifs et mises en page complexes |
| Numérisation avec texte masqué inexact | Mots ou chiffres plausibles mais erronés | Remplacer ou refaire la couche OCR | L'erreur connue, puis un nouvel échantillon |
| Texte numérique avec mappage ou ordre corrompu | Caractères illisibles ou ordre de lecture désordonné | Diagnostiquer avant l'OCR | Vérifier si un meilleur export ou un autre mode d'extraction préserve mieux la structure |
Pouvoir sélectionner des mots prouve seulement qu'un objet texte existe. Cela ne prouve pas que le texte correspond à la page. Inversement, l'échec d'un test de copie ne prouve pas que l'intégralité du PDF ne contient que des images.
Notre test sur un PDF mixte de quatre pages
Nous avons créé un PDF de quatre pages téléchargeable au contenu maîtrisé. Il ne contient aucun document privé ou tiers :
- une page nativement numérique ;
- une page contenant uniquement une image ;
- une page d'aspect numérisé avec une couche de texte masqué correcte ;
- une page d'aspect numérisé avec une couche de texte masqué délibérément trompeuse.
Pour chaque page, nous avons exécuté Poppler pdftotext sur les données existantes du PDF. Parallèlement, nous avons converti la page en image à 300 ppp et exécuté Tesseract sur cette dernière. La référence visuelle a été fixée avant chacun des tests.
| Page | Extraction existante | OCR à partir de la page rendue en image | Décision justifiée par ce test |
|---|---|---|---|
| Texte numérique | Correspond à la référence visible | Correspond également | Conservez le texte numérique existant ; l'OCR n'apporte aucune valeur ajoutée ici |
| Image seule | Vide | Correspond | L'OCR est indispensable si un texte exploitable par machine est nécessaire |
| OCR sous-jacent correct | Correspond | Correspond | La couche existante a validé cet échantillon de contrôle |
| OCR sous-jacent trompeur | A renvoyé DX-4O7, 53 folios, et section 7.8 | A renvoyé le texte visible DX-407, 58 folios, et section 7.5 | Il ne faut pas faire confiance à la couche sélectionnable |
L'objectif n'est pas d'affirmer que Tesseract l'emporte à tous les coups. Il y est parvenu sur cet échantillon anglais impeccable parce que nous avons conçu la page de manière à isoler la prise de décision. Sur des numérisations bruitées, des écritures rares, des tableaux, des textes manuscrits ou des mises en page complexes, un nouvel OCR peut échouer d'autres manières.
Les résultats page par page, grille de décision, notes de reproduction, et le générateur sont disponibles avec l’échantillon de test. Au 21 septembre 2026, les versions enregistrées étaient Poppler pdftotext 26.08.0 et Tesseract 5.5.3.
Ce que ce test prouve — et ce qu’il ne prouve pas
Il prouve que quatre pages visuellement lisibles peuvent nécessiter trois approches différentes avant traduction. Il prouve également qu’un texte interrogeable peut différer du contenu visible de la page tout en paraissant tout à fait plausible.
Il ne mesure pas la précision globale de l’OCR, l’accessibilité pour les lecteurs d’écran, la récupération des tableaux, la reconnaissance multilingue ou le comportement de téléversement de BookTranslator. Les pages sont simples et les erreurs de la page 4 y ont été insérées délibérément ; elles n’ont pas été créées par Tesseract.
Pourquoi l’extraction et l’OCR sont deux opérations différentes
L’extraction de texte lit des objets textuels déjà stockés dans le PDF. L’OCR reconnaît des caractères à partir de pixels. Le guide d’extraction de pypdf actuel établit exactement la même distinction : pypdf peut lire une couche de texte existante, mais ne peut pas reconnaître de mots à l’intérieur d’une image.
Cette distinction est essentielle, car un PDF numérique peut contenir des informations que la rastérisation détruit ou rend plus difficiles à récupérer : encodages de caractères, informations sur les polices, liens, graphismes vectoriels et autres objets du document. pypdf déconseille explicitement de considérer l’OCR comme la solution universelle pour les fichiers nativement numériques. Il souligne également une autre limite : le format PDF stocke généralement le texte pour son positionnement visuel, et non sous forme de paragraphes, de tableaux ou de titres sémantiques.
Deux questions indépendantes doivent donc faire partie du contrôle préalable :
- Les caractères sont-ils corrects ? Comparez les noms, chiffres, signes de ponctuation et termes peu familiers extraits avec la page affichée.
- La structure est-elle exploitable ? Lisez un paragraphe complet, puis inspectez les colonnes, notes de bas de page, tableaux, légendes et sauts de page.
Des caractères corrects dans le mauvais ordre constituent toujours une source inexploitable pour la traduction.
Un contrôle préalable page par page avant la traduction
1. Conservez l’original
Gardez une copie intacte du fichier source et notez son empreinte numérique (hash) si le document est important. Faites vos essais sur des copies. Remplacer une couche de texte imparfaite peut aplatir des éléments vectoriels ou supprimer des informations dont vous aurez besoin par la suite.
2. Recensez les types de pages
Ne prenez pas votre décision en vous basant uniquement sur la première page. Échantillonnez les pages de titre, le corps de texte ordinaire, les annexes, les tableaux, les illustrations, les encarts et toute page semblant photographiée ou photocopiée.
Pour un document volumineux, notez les plages de pages :
| Plage | Type observé | Passage test | Résultat | Méthode prévue |
|---|---|---|---|---|
| 1–4 | Pages de garde numériques | Titre, auteur, édition | Correspondance | Conserver l'extraction |
| 5–126 | Scans de pages | Un paragraphe et deux chiffres | Aucun texte | OCR |
| 127–133 | Encart indexable | Nom, date, ligne de tableau | Deux erreurs | Remplacer l'OCR existant |
Le fichier CSV téléchargeable utilise le même modèle pour notre échantillon de test.
3. Comparer les éléments complexes, pas seulement la prose fluide
Les phrases d'apparence fluide constituent de mauvais critères de vérification. Incluez :
- le nom d'une personne ;
- une date et une quantité ;
- un identifiant combinant lettres et chiffres ;
- du texte accentué ou non latin ;
- une phrase s'étendant sur plusieurs lignes ;
- un passage situé près d'une note de bas de page, d'une figure ou d'une seconde colonne.
La page quatre de notre fichier de test semblerait exploitable si la vérification s'arrêtait aux mots courants. Les erreurs se concentrent dans O/0, 58/53, et 7.5/7.8— exactement le type d'éléments susceptibles de corrompre les références et les faits après traduction.
4. Classifier honnêtement l'incertitude
Utilisez quatre statuts : échantillon validé, échantillon échoué, aucun texte extractible ou non encore testé. « Sélectionnable » n'est pas un résultat. « L'OCR est terminé » non plus.
L'échantillonnage a ses limites. Valider trois pages ne garantit pas la qualité d'un livre de 400 pages, en particulier lorsque le fichier combine différents scans ou mises en page. Augmentez la couverture dès que la source change.
Choisir un mode OCRmyPDF uniquement après le diagnostic
La documentation actuelle d'OCRmyPDF décrit plusieurs comportements pour les pages contenant déjà du texte. Il s'agit de choix d'acheminement, pas de garanties de qualité.
- Le comportement par défaut s'interrompt lorsqu'une page contient déjà du texte imprimable ou une couche OCR masquée, car il ne peut pas distinguer avec certitude la nature du texte détecté.
- Ignorer le texte (Skip text) copie les pages comportant du texte sans modification et applique l'OCR aux autres pages. Cette option n'est utile pour un fichier mixte que si le texte existant est fiable.
- Refaire l'OCR (Redo OCR) supprime le texte OCR non imprimable existant et relance la reconnaissance sur la page, tout en excluant le texte vectoriel imprimable. Ce mode peut convenir à un mélange de pages numériques et de pages déjà traitées par OCR, mais il ne peut pas identifier toutes les configurations historiques.
- Forcer l'OCR (Force OCR) rastérise le contenu vectoriel et applique l'OCR à l'image obtenue. Cette approche permet de remplacer une couche défectueuse, mais elle sacrifie des informations et peut aplatir les éléments interactifs.
Ces définitions proviennent de la documentation sur les erreurs de texte existantd'OCRmyPDF 17.12.1. Lisez la documentation correspondant à votre version installée avant de lancer un traitement par lot. Le nom d'une option ne garantit en rien la conservation des signets, balises, liens, formulaires ou de la structure d'accessibilité.
Dans notre fichier de test, l'option skip-text conserverait le texte masqué volontairement erroné de la page quatre. C'est pourquoi l'étape de vérification par copie et comparaison doit avoir lieu avant de choisir un mode de traitement par lot.
Erreurs courantes
« Si le texte est sélectionnable, passez l'OCR »
La page quatre réfute cette règle. La sélection prouve seulement l'existence du texte, pas sa fidélité.
« Appliquer l'OCR à tout le PDF par sécurité »
Cela peut dégrader des pages numériques nettes et supprimer des objets PDF pourtant utiles. Cela élargit également la charge de révision sans corriger automatiquement l'ordre logique de lecture.
« Il suffit de choisir le résultat qui semble le plus fluide »
La fluidité est ici trompeuse. Comparez toujours avec la page visible. Ne laissez pas un modèle linguistique corriger en silence un identifiant ou une quantité pour ensuite considérer ce résultat comme une preuve fidèle à la source.
« Une page propre est représentative de tout le fichier »
Les PDF composites sont très fréquents : une couverture numérique peut précéder des chapitres scannés, ou un livre indexable peut comporter des encarts constitués uniquement d'images. Consignez vos décisions par plage de pages.
Les critères de validation d'un PDF prêt pour la traduction
Avant d'intégrer le fichier dans un flux de traduction, exigez l'ensemble des éléments suivants :
- Chaque plage de pages est classée : numérique, image seule ou OCR existant.
- Les couches existantes défectueuses disposent d'une solution de remplacement documentée.
- Les noms, chiffres, identifiants et termes inhabituels sont validés par comparaison avec la source sur les pages échantillonnées.
- L'ordre des paragraphes et des colonnes reste cohérent et lisible dans la source extraite.
- Les tableaux, figures, notes de bas de page et équations sont soit vérifiés, soit explicitement traités comme des éléments distincts.
- Le PDF d'origine reste accessible pour effectuer la comparaison après traduction.
Consultez le guide de diagnostic du copier-coller lorsqu'un PDF contenant du texte pose déjà problème. Suivez le flux de travail pour PDF scannés lorsque les pages ne contiennent que des images, et le guide OCR pour documents multilingues lorsque le choix de la langue fait partie des causes de l'échec.
Traduire la source vérifiée, puis relire le résultat
Si votre objectif final est de lire un document complet dans une autre langue, importez le PDF vérifié dans le Traducteur de PDF. Pour les pages scannées ou riches en images, le mode OCR de BookTranslator extrait le contenu identifiable et reconstruit un PDF traduit impeccable ; il ne garantit pas la conservation exacte de la mise en page, des polices ou de leurs tailles d'origine, ni la réparation systématique de chaque couche de texte masquée préexistante.
Conservez l'inventaire de vos pages ainsi que votre fichier d'origine. Après la traduction, répétez les vérifications des éléments à haut risque sur le document cible : noms, quantités, identifiants, couverture des pages, ordre des paragraphes et toute structure essentielle. La checklist d'assurance qualité pour la traduction de PDF détaille cette étape finale de validation.
La règle d'or est simple : extrayez ce qui est déjà fiable, n'appliquez l'OCR qu'aux éléments nécessitant une reconnaissance et ne remplacez une couche de texte qu'après avoir prouvé qu'elle est erronée.
Articles connexes
