Extraire le texte d’un PDF : couches de texte et OCR

Deux types de pages PDF

Une page PDF peut contenir du texte de deux façons. La plupart des PDF exportés depuis un traitement de texte, un navigateur ou un logiciel de mise en page ont une couche de texte : chaque caractère est stocké sous forme de code d’une police et placé à un endroit de la page. Une page numérisée ou photographiée est différente : c’est une seule image de la page, et pour un logiciel, les lettres qu’elle montre ne sont que des pixels.

Un lecteur PDF permet généralement de savoir de quel type il s’agit. Si vous pouvez sélectionner un seul mot ou le trouver avec la recherche, la page a une couche de texte. Si un glissement sélectionne toute la page comme un bloc, ou si la recherche ne trouve rien, la page est une image. Un même fichier peut mélanger les deux, comme un rapport saisi avec des annexes numérisées.

Comment fonctionne l’extraction de la couche de texte

Un PDF ne stocke pas de paragraphes. Il stocke des fragments de caractères, chacun avec une police et une position, souvent un mot ou quelques lettres à la fois, dans l’ordre choisi par le programme qui a créé le fichier. Un extracteur lit ces fragments et reconstitue les lignes à partir de leurs positions.

L’outil PDF en texte de LeedyBox lit les fragments avec PDF.js, le moteur PDF de Firefox. Il commence une nouvelle ligne quand la position verticale change de plus de 5 points (environ 1,8 mm) et, sinon, relie les fragments par une espace ; chaque page du résultat commence par un repère comme --- Page 1 ---. La plupart des documents sur une colonne sortent lisibles, avec quelques effets secondaires :

• Un mot stocké en plusieurs fragments, par exemple à cause de l’interlettrage, peut sortir avec des espaces à l’intérieur.
• Les colonnes, encadrés et légendes apparaissent dans l’ordre où ils sont stockés, qui peut différer de l’ordre de lecture.
• Les exposants, appels de note et autres textes placés plus haut ou plus bas que la ligne peuvent former une ligne à part.
• Les en-têtes, pieds de page et numéros de page font partie du texte de chaque page.

Pourquoi le texte extrait peut sembler illisible

Dans un PDF, le texte est stocké sous forme de codes de glyphes d’une police, et non de caractères Unicode. Pour retrouver les lettres, le fichier a besoin d’une table de correspondance. Les PDF bien conçus incluent une table ToUnicode pour chaque police, et les polices à codage standard peuvent être décodées sans elle. Les difficultés commencent lorsqu’une police est incorporée sous forme de sous-ensemble avec sa propre numérotation et sans table : les codes ne signifient rien hors du fichier, et l’extraction produit de mauvaises lettres, des symboles ou des carrés vides, alors que la page s’affiche correctement.

Les polices chinoises, japonaises et coréennes utilisent souvent des tables de caractères prédéfinies (CMap), comme Adobe-Japan1 ou Adobe-Korea1, au lieu de tables propres. L’outil LeedyBox charge ces CMap avec PDF.js, ce qui permet de lire correctement de nombreux documents d’Asie orientale que des extracteurs plus simples déforment. Autres causes fréquentes : les ligatures, comme fi stocké en un seul glyphe, les polices Type 3, dont les lettres sont dessinées comme des formes et souvent sans table, et les PDF dont le codage a été brouillé exprès pour compliquer la copie.

Lorsqu’une page a une couche de texte, l’outil l’utilise, même si ce texte est illisible, et ne lance pas l’OCR sur cette page. Pour lire une telle page par OCR, convertissez-la en image avec PDF en JPG, puis lisez l’image avec Image en texte (OCR).

Quand l’outil LeedyBox utilise l’OCR

L’outil décide page par page. Si la couche de texte d’une page compte moins de 15 caractères, la page est dessinée sous forme d’image au double de sa taille normale, soit environ 144 pixels par pouce, puis lue par Tesseract.js dans la langue choisie sous « Langue OCR », en plus de l’anglais. Dans un document qui mêle pages saisies et pages numérisées, les pages saisies sont donc lues à l’identique et seules les numérisations passent par l’OCR.

Une page numérisée qui ne contient que quelques caractères issus d’un tampon ou d’un numéro de page est toujours considérée comme vide et passe par l’OCR. Une numérisation qui possède déjà une couche de texte de 15 caractères ou plus n’y passe pas : une couche OCR de mauvaise qualité ajoutée par le scanner ressort donc telle quelle. Le moteur d’OCR et ses données de langue sont téléchargés depuis leedybox.com lors du premier passage de l’OCR, ce qui ralentit la première page numérisée. Votre PDF est lu dans le navigateur et n’est pas envoyé en ligne.

Comment l’OCR transforme des pixels en texte

L’OCR procède par étapes. Le moteur convertit d’abord l’image en noir et blanc et repère les blocs de texte, les lignes et les mots : c’est la segmentation de la page. Un réseau de neurones entraîné pour une langue ou une écriture lit ensuite chaque ligne et choisit la suite de caractères la plus probable, en s’aidant des listes de mots de la langue. Le résultat est une estimation, pas une copie : des formes proches comme 0 et O, 1, l et I, ou rn et m peuvent être confondues, et les mots absents des données de langue sont plus souvent mal lus.

Le choix de la langue compte plus que toute autre option. Un modèle entraîné sur l’alphabet latin ne peut pas lire le thaï ou le japonais, et un texte dans une langue non sélectionnée sort en général sous forme de caractères erronés. Toutes les options de l’outil LeedyBox, sauf « Anglais uniquement », associent la langue choisie à l’anglais, ce qui aide pour les documents mixtes, comme un contrat en français avec des noms de produits en anglais.

Ce qui influe sur la précision de l’OCR

Comme l’outil dessine les pages à environ 144 pixels par pouce, les petits caractères, comme les notes de bas de page ou les clauses en petits caractères d’un contrat, peuvent être difficiles à lire même sur une bonne numérisation. Pour ces pages, PDF en JPG produit des images de plus haute résolution, et Image en texte (OCR) peut relire le petit texte en taille doublée et augmenter le contraste avant la reconnaissance.

Tableaux, colonnes et mise en page

Le résultat est du texte brut. Les tableaux perdent leur grille, les pages sur plusieurs colonnes peuvent sortir colonne par colonne ou ligne par ligne à travers les colonnes, et les zones de texte et légendes se retrouvent là où le fichier ou le moteur d’OCR les a placées dans l’ordre de lecture. Reconnaître des mots et reconstruire une mise en page sont deux problèmes distincts, et l’outil ne résout que le premier. Pour les tableaux de chiffres, vérifiez chaque valeur sur l’original ou ressaisissez le tableau dans un tableur ; pour les longs documents, reconstituez titres et paragraphes dans votre éditeur après l’extraction.

Vérifier et nettoyer le résultat

• Comparez quelques nombres, noms et dates avec l’original ; les erreurs d’OCR dans les chiffres passent facilement inaperçues.
• Cherchez les confusions courantes : 0 et O, 1, l et I, 5 et S, rn et m, ainsi que les accents manquants.
• Recollez les mots coupés par un trait d’union en fin de ligne et les lignes brisées à l’intérieur des paragraphes.
• Supprimez les repères de page, les en-têtes et les numéros de page si vous avez besoin d’un texte continu.
• Conservez le résultat avec « Copier le texte » ou « Enregistrer en .TXT » ; le fichier enregistré est du texte brut en UTF-8.

Questions fréquentes