Le nettoyage d'un texte issu de l'OCR est surtout risqué lorsque le résultat paraît déjà crédible. Fusionner deux lignes peut réparer un paragraphe, mais fusionner les mauvais blocs peut produire une phrase que l'auteur n'a jamais écrite. Supprimer des numéros répétés peut débarrasser le texte de ses pieds de page comme effacer une liste.
Conservez le PDF d'origine et l'export non modifié. Travaillez sur une copie et considérez chaque règle de nettoyage comme une hypothèse à confronter au document, non comme une opération à appliquer aveuglément à l'ensemble du fichier.
Rétablir d'abord les titres porteurs de sens
Lisez les titres de section dans le document source et comparez-les au plan du Markdown. Une ligne imprimée en gros caractères peut être un titre de chapitre, une légende de figure ou un en-tête courant. La taille seule ne détermine pas son rôle.
Utilisez les niveaux de titre pour traduire la hiérarchie réelle. Un chapitre peut contenir des sections et des sous-sections sans que chaque expression mise en valeur devienne un nouveau titre. Gardez la formulation qui permet de retrouver la même section dans le PDF.
Si les en-têtes de page répètent le titre du livre ou du chapitre, supprimez du texte de travail les doublons confirmés plutôt que de les intégrer au plan comme des titres. Vérifiez que le véritable titre subsiste au début de la section.
Sur un document long, corrigez un chapitre et inspectez son plan avant de reproduire la méthode ailleurs. Les différentes parties d'un manuel, l'index et les annexes peuvent suivre des conventions distinctes.
Recoller les lignes coupées sans aplatir la structure
L'extraction d'un PDF peut laisser un saut de ligne après chaque ligne imprimée. Dans un texte courant, ces lignes appartiennent souvent à un même paragraphe. Mais un saut de ligne peut aussi séparer des éléments de liste, des vers, du code ou une équation présentée à part.
Voici un exemple de nettoyage rédigé à la main :
Avant :
Les échantillons ont été conservés dans une armoire
sèche jusqu'au second essai.
Après :
Les échantillons ont été conservés dans une armoire sèche jusqu'au second essai.
Cet exemple illustre une décision d'édition, pas un résultat de conversion mesuré. Vérifiez le PDF avant d'appliquer la même règle à un passage réel.
Prenez garde aux traits d'union en fin de ligne. Un mot coupé par la composition typographique demande à être réuni ; un composé authentique garde son trait d'union. Ne supprimez pas tous les traits d'union suivis d'un saut de ligne sans avoir examiné des cas concrets.
D'une page à l'autre, lisez ensemble la dernière phrase du document source et la première phrase de la page suivante. Un pied de page intercalé, une note qui se poursuit ou un changement de colonne peuvent rendre une simple fusion erronée.
Éliminer le bruit des pages avec une règle ciblée
Repérez les en-têtes, pieds de page, numéros de page et artefacts de numérisation qui reviennent. Confirmez le motif sur plusieurs pages avant d'utiliser la recherche-remplacement. Un même mot peut apparaître légitimement dans le corps du texte, et un nombre isolé peut être une donnée plutôt qu'un numéro de page.
Préférez une règle liée à la structure réellement répétée plutôt que la suppression de toutes les lignes courtes. Appliquez-la sur une petite sélection, examinez les changements et gardez la possibilité d'annuler. Si le document comporte des sections sur deux colonnes, consultez le guide de dépannage sur l'ordre de lecture avant de prendre une transition brutale pour un simple espace.
Pendant le nettoyage, traitez les tableaux, les légendes et les notes de bas de page à part du texte courant. Leur disposition en lignes porte souvent un sens qu'une règle générale sur les paragraphes détruirait.
Comparer avant et après aux mêmes endroits du source
Choisissez plusieurs paragraphes, une liste, un tableau et une note. Comparez l'export non modifié, la copie retravaillée et le PDF d'origine. Vérifiez les mots et leurs relations, pas seulement la propreté visuelle.
Notez les corrections qui comptent : un titre rétabli, un en-tête courant supprimé, une limite de paragraphe réparée ou une erreur de reconnaissance encore non résolue. Distinguez les changements de mise en forme des modifications portant sur des nombres ou de la terminologie. Une révision qui se lit mieux peut avoir altéré le contenu factuel.
Prévisualisez le Markdown dans l'éditeur où il sera utilisé. Le Markdown de base et ses extensions ne traitent pas les tableaux, les formules mathématiques et les notes de bas de page de la même façon ; CommonMark définit la syntaxe de base, pas le comportement de chaque application.
Terminer sur un fichier réutilisable et traçable
PDF Craft peut convertir des PDF numérisés ou textuels en Markdown prêt à être retravaillé. Après le téléversement, choisissez le format Markdown, téléchargez le fichier obtenu et relisez-le en regard de l'original. Cette méthode ne suppose ni ne requiert de fonction distincte pour téléverser un Markdown existant en vue d'une traduction.
Conservez les images et les autres ressources avec le document nettoyé, et vérifiez leurs chemins après l'avoir déplacé. Notez le titre, l'édition et les références de pages du document source, comme le décrit la méthode des notes de recherche.
Le bon moment pour s'arrêter n'est pas celui où le fichier ne présente plus aucune irrégularité visible. C'est celui où sa structure est exploitable, où les corrections importantes ont été vérifiées et où les passages incertains restent clairement signalés pour relecture.