Regrouper des scans en un seul PDF recherchable
Pour regrouper des scans ou des photos en un seul PDF recherchable, OnCloudPDF procède en trois étapes : JPG en PDF crée un PDF à partir de vos images, Fusionner PDF l’assemble avec d’autres PDF si besoin, et OCR PDF ajoute une couche de texte invisible dans l’une des huit langues proposées. L’OCR s’exécute dans votre navigateur, peut être lent sur les longs fichiers, et sa précision dépend de la netteté des scans.
Mis à jour · Fonctionne dans votre navigateur, sans envoi de fichier, sans compte
Ce que vous construisez et à quoi cela sert
La photo d’une page n’est qu’une image : impossible d’y rechercher un mot, de sélectionner du texte ou de copier un paragraphe. Un PDF recherchable conserve l’image de la page mais y ajoute une couche invisible de texte reconnu, si bien que Ctrl+F trouve les mots et que vous pouvez copier le texte. L’étape qui crée cette couche s’appelle l’OCR, la reconnaissance optique de caractères.
Cas typique : une pile de tickets de caisse, un courrier signé photographié avec un téléphone, ou quelques pages d’un livre. Vous avez plusieurs fichiers image, peut-être aussi un PDF issu d’un scanner, et vous voulez un seul document facile à ranger et à parcourir. La démarche ci-dessous y parvient sans rien installer, et les fichiers restent dans votre navigateur.
Étape 1 : prendre ou rassembler de bonnes images
La précision de l’OCR se joue dès la prise de vue. Tesseract, le moteur qu’utilise OCR PDF, reconnaît mieux les scans nets, en haute résolution et dans la bonne langue ; les images floues, penchées ou peu contrastées produisent davantage d’erreurs. De bonnes habitudes comptent plus que n’importe quel réglage :
- Photographiez la page à plat, bien d’aplomb au-dessus, avec une lumière uniforme et sans ombre sur le texte.
- Remplissez le cadre avec la page, pour que les lettres soient grandes et nettes.
- Gardez la page droite. Les outils ne redressent pas l’image : une page penchée reste penchée.
- Nommez les fichiers pour qu’ils se classent dans l’ordre de lecture, par exemple page-01.jpg et page-02.jpg.
Étape 2 : JPG en PDF
Sélectionnez toutes les images à la fois dans JPG en PDF. Les types acceptés sont JPG/JPEG, PNG et GIF. Chaque image devient une page dont la taille correspond aux dimensions en pixels de l’image, et les pages suivent l’ordre dans lequel les fichiers ont été sélectionnés. Il n’y a ni option de format de page ni option d’ajustement à la page, et un GIF est redessiné en JPEG à partir de sa seule première image.
Deux points pratiques. D’abord, l’ordre : cet outil n’a pas d’étape de réorganisation, donc si une page se retrouve au mauvais endroit, corrigez-la ensuite avec Réorganiser les pages d’un PDF sur le PDF terminé. Ensuite, le poids : les fichiers JPEG et PNG sont intégrés tels quels, donc le PDF pèse à peu près la somme de vos images. Les photos de téléphone sont lourdes, et un document de 20 pages peut devenir volumineux. Si la taille compte, lancez Compresser PDF sur le fichier terminé, qui réduit la résolution des images (fixez une taille cible si besoin), ou réduisez vos photos avant cette étape.
Téléchargez le résultat, nommé images_combined.pdf.
Étape 3 : fusionner, seulement si vous avez plusieurs PDF
Si vous avez aussi un PDF issu d’un scanner, ou si vous avez fait plusieurs lots, utilisez Fusionner PDF. Sélectionnez ou déposez les fichiers, glissez les aperçus dans l’ordre voulu, cliquez sur « Fusionner PDF » et téléchargez OnCloudPDF_merge.pdf. Toutes les pages de chaque fichier sont assemblées et copiées sans modification. Si vous n’avez besoin que de certaines pages d’un fichier, utilisez d’abord Extraire des pages d’un PDF ou Supprimer des pages d’un PDF. La fusion ne déverrouille pas un PDF chiffré.
Faites la fusion avant l’OCR plutôt qu’après. La reconnaissance ne s’exécute alors qu’une fois, sur un seul fichier, et le document final a une couche de texte homogène.
Étape 4 : lancer l’OCR
Ouvrez OCR PDF, sélectionnez le fichier regroupé, choisissez la langue du document et cliquez sur « Lancer l’OCR ». La liste comprend l’anglais, l’espagnol, le français, l’allemand, l’italien, le portugais, le chinois (simplifié) et le japonais, et vous choisissez une seule langue par passage. Un document en deux langues n’est reconnu que dans celle que vous choisissez : les mots de l’autre langue risquent d’être mal reconnus.
Chaque page est rendue à l’échelle 1,5 et reconnue par Tesseract.js dans votre navigateur ; les pages en sortie sont reconstruites à partir de ces images, avec une couche de texte invisible positionnée. Pour cette raison, le texte et les éléments vectoriels d’origine du PDF ne sont pas conservés : même un PDF qui contenait déjà du vrai texte devient une image accompagnée d’une couche OCR. N’utilisez donc l’OCR que sur des pages qui sont réellement des images.
Trois limites pratiques à connaître avant de commencer. Au premier passage, le moteur Tesseract et les données de langue (pas votre fichier) sont téléchargés depuis un CDN : une connexion internet est donc nécessaire ; les passages suivants réutilisent les données en cache. Le traitement se fait page par page sur votre appareil et peut être lent pour les longs documents : gardez l’onglet ouvert et prévoyez d’attendre. Enfin, aucune limite de pages ni de taille n’est imposée, donc les très gros fichiers sont limités par la mémoire de votre navigateur.
Une fois le traitement terminé, consultez l’aperçu du texte puis testez le PDF : recherchez un mot que vous savez présent sur une page et copiez un paragraphe dans un éditeur de texte. Téléchargez ensuite le PDF recherchable.
Une remarque sur Effet scan sur PDF
Effet scan sur PDF va dans le sens inverse. Il prend un PDF normal et lui donne l’aspect d’un document numérisé : chaque page est rendue sous forme d’image, un léger grain et une faible teinte de papier sont ajoutés, et le résultat est enregistré dans un ZIP. Il ne lance pas d’OCR et n’ajoute pas de couche de texte : son résultat n’est donc pas recherchable. Ne l’utilisez pas avant l’OCR sur un document que vous voulez pouvoir rechercher ; si vous voulez à la fois l’effet scan et une couche de texte, lancez d’abord Effet scan sur PDF puis OCR PDF sur le résultat.
Récapitulatif de la démarche
| Étape | Outil | Résultat | Limite réelle |
|---|---|---|---|
| Créer un PDF | JPG en PDF | images_combined.pdf | JPG, PNG et GIF uniquement ; la taille de page correspond à celle de l’image ; pas de réorganisation dans l’outil |
| Assembler les fichiers | Fusionner PDF | OnCloudPDF_merge.pdf | Toutes les pages de chaque fichier ; les fichiers chiffrés ne sont pas déverrouillés |
| Corriger l’ordre des pages | Réorganiser les pages d’un PDF | yourfile_reordered.pdf | Affiche des numéros de page, pas des miniatures |
| Ajouter la couche de texte | OCR PDF | PDF recherchable | 8 langues, une par passage ; lent sur les longs fichiers ; connexion internet nécessaire au premier passage |
| Vérifier le texte | PDF en texte | Fichier .txt brut | Regroupe les éléments de texte d’une page en un seul bloc ; sans mise en page |
Quand un autre outil est préférable
OCR PDF est conçu pour des documents occasionnels. Si vous avez besoin d’une langue absente de la liste, d’une très grande précision sur des scans médiocres, de tableaux reconnus comme tels ou de lots de centaines de pages, un logiciel d’OCR sur ordinateur ou un service sur serveur fera généralement mieux, avec la contrepartie de confidentialité expliquée dans Outils PDF comparés. Pour vérifier que votre PDF contient désormais du vrai texte, Compteur de mots PDF indique 0 mot pour un PDF sans couche de texte et un nombre réel une fois l’OCR réussi.
Questions fréquentes
Quelles langues l’OCR PDF prend-il en charge ?
L’anglais, l’espagnol, le français, l’allemand, l’italien, le portugais, le chinois (simplifié) et le japonais. Vous choisissez une seule langue par passage.
L’OCR envoie-t-il mon document ?
Non. La reconnaissance s’exécute dans votre navigateur. Le premier passage télécharge le moteur et les données de langue depuis un CDN, ce qui ne comprend pas votre fichier ; les passages suivants utilisent les données en cache.
Pourquoi l’OCR est-il si lent ?
Il traite le document page par page sur votre propre appareil avec Tesseract.js. Plus le document est long, plus c’est long, et la vitesse dépend de votre appareil.
L’OCR conserve-t-il mon texte et mes images d’origine ?
Les pages en sortie sont reconstruites à partir d’images rendues à l’échelle 1,5, avec une couche de texte invisible par-dessus. Le texte et les éléments vectoriels d’origine ne sont pas conservés : n’utilisez donc l’OCR que sur des pages qui ne contiennent que des images.