L'OCR expliqué : comment un PDF scanné devient du texte recherchable

Un document scanné — qu'il vienne d'un vrai scanner ou simplement de l'appareil photo d'un téléphone — est une photographie du point de vue d'un ordinateur. Ctrl+F ne trouve rien, parce qu'il n'y a pas de texte à trouver, seulement des pixels qui, pour un humain qui les lit, ressemblent à des lettres.

Ce que l'OCR fait réellement

La reconnaissance optique de caractères analyse les formes sur la page et prédit quels caractères elles représentent, puis ajoute ce texte prédit sous forme de couche invisible et sélectionnable positionnée juste au-dessus de l'image d'origine. Visuellement, rien ne change — vous regardez toujours le même scan. Fonctionnellement, la page comporte désormais du vrai texte derrière elle qu'un navigateur ou un lecteur PDF peut rechercher, sélectionner et copier.

Pourquoi l'OCR s'exécute entièrement dans votre navigateur ici

OCR PDF utilise Tesseract.js, une compilation WebAssembly du moteur OCR open source Tesseract, s'exécutant comme un Web Worker afin de ne pas figer la page pendant qu'il travaille. La reconnaissance elle-même se fait sur votre appareil — le scan n'est envoyé nulle part pour être lu.

Ce qui influe sur la précision

• La qualité du scan — un scan net, bien éclairé et droit se reconnaît bien plus précisément qu'une photo de téléphone floue ou fortement inclinée.
• L'écriture manuscrite — Tesseract, comme la plupart des moteurs OCR, est conçu pour le texte imprimé ; la reconnaissance de l'écriture manuscrite est un problème différent et bien moins fiable.
• Les polices inhabituelles ou très stylisées — les caractères décoratifs ou le texte à faible contraste réduisent la précision de la même façon qu'ils mettraient en difficulté un humain qui parcourt vite.