Un PDF qui paraît net à l'écran peut ne contenir que des images de mots. Un autre peut afficher la même page numérisée tout en portant une couche de texte invisible. Cette différence a des conséquences sur la recherche, la copie, la conversion et la traduction.
Vous pouvez établir un diagnostic utile sans examiner les entrailles du fichier. Testez plusieurs pages et concentrez-vous sur ce que la couche de texte vous apporte réellement, pas seulement sur l'aspect du document.
Sélectionnez et copiez une phrase entière
Ouvrez le PDF dans une visionneuse et essayez de sélectionner une phrase dans le corps du texte. Collez-la dans un éditeur de texte brut. Vérifiez les caractères et leur ordre, y compris la ponctuation, les chiffres et tout texte accentué ou non latin.
Si la sélection met en évidence toute l'image d'une page au lieu de mots, la page est probablement composée uniquement d'images. Si une phrase se copie proprement, elle dispose d'une couche de texte exploitable à cet endroit. Si le résultat copié est incompréhensible ou alterne entre les colonnes, du texte sélectionnable existe, mais il risque de ne pas être fiable pour un traitement ultérieur.
Ne classez pas tout le livre d'après sa couverture. Les pages de titre utilisent souvent des polices, des images ou une mise en page différentes du corps du texte.
Reconnaître une numérisation dotée d'une couche de texte invisible
L'OCR peut ajouter du texte interrogeable par-dessus ou derrière une image numérisée. La page visible reste une numérisation, tandis que la recherche et la sélection s'appuient sur le texte reconnu. Cela peut être utile, mais une couche invisible peut contenir des erreurs que l'image nette dissimule.
Recherchez une expression caractéristique, puis comparez le texte trouvé avec l'image. Copiez une ligne contenant un nombre ou un terme spécialisé. Vérifiez si la sélection s'aligne de façon cohérente et si son contenu correspond à ce que vous lisez.
Une couche invisible erronée ne prouve pas que l'image elle-même est mauvaise. Elle peut refléter une reconnaissance antérieure, un problème d'encodage ou un ordre de lecture défaillant. Gardez ces deux possibilités en tête avant de décider s'il faut numériser à nouveau ou retraiter le fichier.
Échantillonnez les pages mixtes et difficiles
De nombreux PDF associent du texte numérique à des encarts numérisés, des annexes ou des illustrations. Un document peut aussi présenter des mises en page différentes d'une section à l'autre. Utilisez un petit échantillon :
| Page à examiner | Raison |
|---|---|
| Texte courant | Établir le type de contenu principal |
| Sections du milieu et de la fin | Repérer les changements de source ou d'export |
| Page sur deux colonnes | Vérifier l'ordre d'extraction |
| Tableau ou formule | Vérifier les nombres, les symboles et la structure |
| Notes ou annexe | Repérer les petits textes et les encarts numérisés |
Notez quelles pages sont composées uniquement d'images, lesquelles se copient correctement et lesquelles ont un texte peu fiable. Ces observations sont plus instructives qu'une simple étiquette « PDF numérisé ».
Si la numérisation elle-même est floue, rognée ou ombrée, corrigez cela avant de compter sur la reconnaissance. Le guide de préparation des numérisations de mauvaise qualité décrit une préparation en amont, sans supposer que le site propose des outils de retouche d'image.
Choisissez la voie selon l'usage que vous voulez en faire
Si le fichier source ne contient que des images, il faut d'abord en extraire le texte par OCR pour obtenir un contenu modifiable ou une version traduite à lire. La restitution de la structure compte aussi : reconnaître chaque mot ne place pas automatiquement les colonnes, les légendes et les notes dans le bon ordre.
Si vous souhaitez poursuivre la lecture avec une taille de police ajustable, envisagez PDF numérisé vers EPUB. Si vous voulez un contenu modifiable pour prendre des notes ou le retraiter, envisagez PDF vers Markdown. Conservez le PDF d'origine lorsque l'apparence exacte des pages importe.
Pour une autre langue, choisissez explicitement une voie de traduction. Dans PDF Craft, la sortie PDF exige une traduction. Les sorties EPUB et Markdown permettent une conversion sans traduction : activez-la si vous le souhaitez. Le guide de traduction des PDF numérisés couvre l'ensemble de cette opération.
Séparez le diagnostic de la validation
Ces vérifications vous indiquent ce que la source semble contenir. Elles ne prouvent pas qu'une conversion ultérieure sera correcte. Après le traitement, examinez les mêmes pages difficiles et comparez le fichier téléchargé avec la source.
Utilisez l'espace de travail PDF pour envoyer le fichier et consulter les réglages et limites en vigueur. Les nouveaux utilisateurs reçoivent des crédits d'essai ; le traitement est facturé à l'usage, avec les tarifs actuels sur la page Tarifs. Le guide OCR et traduction explique pourquoi la récupération du texte, la structure et le sens demandent une attention distincte après le diagnostic de la source.