Un scan est une image dans un conteneur

Quand une feuille passe dans un scanner ou devant l’appareil photo d’un téléphone, le résultat est une grande image par page, enveloppée dans un PDF pour que l’impression et la pagination soient correctes. Il n’y a aucune donnée de caractère : la lettre A est un motif de pixels sombres, exactement comme la lettre B.

Un PDF peut contenir les deux : une image et une couche de texte invisible par-dessus, ce que produit l’OCR. La plupart des scans n’ont que l’image. C’est pourquoi un scan de 20 pages peut peser 30 Mo et un document dactylographié de 20 pages, 300 Ko.

Ce que la conversion peut et ne peut pas

Convertir un PDF en Word ou en texte extrait la couche de texte. Sans couche de texte, il n’y a rien à extraire, et les résultats honnêtes sont au nombre de deux : un document contenant les images des pages, ou un échec.

Un convertisseur qui « réussit » sur un scan et rend un Word plein d’images n’a pas lu la page : il l’a copiée. Cela peut rester utile si le but est une mise en page modifiable, mais cela ne donne pas de texte interrogeable et ce n’est pas ce que la plupart des gens appellent « convertir ».

Ce site ne fait pas d’OCR. Un scan reste un scan ici : la conversion copie ce qui existe et le dit, plutôt que d’inventer des mots. Si vous avez besoin de texte interrogeable, utilisez un outil d’OCR — et vérifiez qu’il tourne en local avant d’envoyer un document important.

Comment savoir ce que vous avez

Trois vérifications règlent la question en moins d’une minute :

  • Sélectionnez un paragraphe. S’il se surligne, il y a une couche de texte et la conversion fonctionnera.
  • Cherchez un mot que vous voyez sur la page. Aucun résultat : pas de couche de texte.
  • Regardez la taille par page. Des centaines de kilo-octets ou plus par page, c’est un scan ; quelques dizaines, c’est du texte.

Si vous avez vraiment besoin d’OCR

L’OCR reconnaît des caractères à partir de pixels et réécrit une couche de texte dans le PDF. C’est un autre métier, plus lent, et sa précision dépend du scan : 300 dpi, droit, contrasté, sans écriture manuscrite. Comptez corriger les noms, les nombres et tout ce qui est composé dans une police fine.

Si le scan ne sert qu’à être lu, une conversion en image suffit souvent, et elle est plus rapide et sans perte par rapport à l’OCR.