Comment appliquer l'OCR à un PDF numérisé et le rendre interrogeable

Un PDF numérisé est une image, pas du texte : vous ne pouvez ni chercher, ni sélectionner, ni copier son contenu. Ce guide montre les deux voies locales de pdfmcp : OCRiser vers un PDF cherchable, ou OCRiser vers du texte brut, le tout sur votre appareil, avec les réglages qui comptent vraiment.

Pourquoi un PDF numérisé n'a pas de texte

Un scanner enregistre une photographie de chaque page. Les mots sont des pixels dans une image, pas des caractères, donc la recherche ne trouve rien, la sélection de texte ne sélectionne rien et il n'y a rien à copier. L'OCR (reconnaissance optique de caractères) corrige cela : il lit l'image de chaque page et devine quels caractères forment les pixels.

pdfmcp utilise Tesseract pour cela. Il y a deux opérations d'OCR, et chacune répond à un besoin différent. ocr_pdf vous rend un PDF du même aspect, mais avec une couche de texte invisible, pour que le document lui-même devienne cherchable et sélectionnable. ocr_to_text vous rend uniquement les mots, en texte brut. Les deux s'exécutent localement.

Choisissez la voie : PDF cherchable ou texte seul

Choisissez ocr_pdf quand le document doit rester un document : un contrat, un rapport ou une archive que d'autres ouvriront, consulteront et citeront. Il s'exécute localement avec le paquet pdfmcp, car créer un PDF cherchable propre demande une machinerie lourde. Les pages qui ont déjà une couche de texte passent inchangées et sont signalées comme ignorées, donc l'exécuter sur un document mixte est sûr.

Choisissez ocr_to_text quand vous n'avez besoin que des mots : à coller dans une note, à passer à un script ou pour lire ce que dit un scan. Sur le site, il s'exécute sur votre appareil, dans votre navigateur, et votre fichier n'est jamais téléversé ; notez que la version web sur l'appareil n'inclut que l'anglais. La même opération avec le paquet local peut configurer la langue.

Créer un PDF cherchable, pas à pas

1) Installez le paquet pdfmcp une seule fois (voir la page MCP). 2) Exécutez l'opération ocr_pdf sur votre fichier, avec le paquet local, un agent connecté par MCP local ou votre propre code. 3) Ouvrez le résultat et vérifiez-le : cherchez un mot que vous voyez sur la page. Si la recherche le trouve et le surligne au bon endroit, la couche de texte est en place.

Si vous travaillez via un agent d'IA, ces mêmes étapes se réduisent à une seule demande : connectez le serveur MCP local une fois (voir les guides de configuration), puis demandez à l'agent d'OCRiser le fichier. Tout se passe sur votre machine.

Les réglages qui comptent : langue, DPI et pages

La langue est le réglage où l'on se trompe le plus. La valeur par défaut est eng (anglais). Pour d'autres langues, réglez le paramètre de langue avec un code de langue Tesseract, ou combinez des codes : eng+deu pour un document qui mélange anglais et allemand, par exemple. Les données de langue se téléchargent une seule fois au premier usage et restent sur votre machine. Choisir la langue dans laquelle le document est réellement écrit compte bien plus que tout autre réglage.

Le DPI vaut 300 par défaut et peut être réglé entre 150 et 600 : c'est la résolution à laquelle chaque page est rendue avant la reconnaissance. Laissez 300 pour les scans normaux ; une valeur plus élevée peut aider pour les petits caractères, au prix d'un travail plus lent sur votre machine. Enfin, le paramètre de pages limite le travail aux pages que vous indiquez (1-3,5,8, par exemple), ce qui est le moyen le plus rapide de tester vos réglages sur quelques pages avant de traiter un long document.

Limites, confidentialité et limites honnêtes

En pratique, votre appareil vous limite : mémoire et vitesse, et dans le navigateur des fichiers jusqu'à environ 100 Mo et 500 pages. Les très longs documents prennent le temps que prend votre machine ; diviser un énorme scan en parties reste une bonne idée.

La confidentialité suit les règles de pdfmcp, sans affirmation plus forte que celle du site lui-même : tout s'exécute localement, votre fichier n'est jamais téléversé, jamais stocké sur un serveur et jamais utilisé pour entraîner une IA. Et la limite honnête : l'OCR lit du texte imprimé à partir d'un scan raisonnablement net. L'écriture manuscrite, les scans à très faible contraste et les pages abîmées produiront des erreurs : le résultat est une couche de texte au mieux, pas une transcription certifiée, donc vérifiez les noms et nombres importants sur l'image de la page.

Essayez-le gratuitement dans votre navigateur

Questions fréquentes

L'OCR est-il gratuit dans pdfmcp ?

Oui, gratuit pour toujours. L'outil d'OCR vers texte sur l'appareil est gratuit et ne demande aucun compte. L'OCR complet avec le paquet local est aussi gratuit, sans clé et sans quota journalier. Il n'y a aucune offre payante.

L'OCR changera-t-il l'aspect de mon PDF ?

ocr_pdf ajoute une couche de texte invisible ; les images des pages restent telles quelles. Les pages qui ont déjà du texte passent inchangées et sont signalées comme ignorées.

Quelles langues l'OCR peut-il lire ?

Avec le paquet local, réglez le paramètre de langue avec un code de langue Tesseract (eng par défaut ; des combinaisons comme eng+deu fonctionnent) : les données de langue se téléchargent une seule fois au premier usage. L'outil web d'OCR vers texte sur l'appareil n'inclut que l'anglais.

Pourquoi mon gros scan prend-il du temps ?

L'OCR est un travail lourd et il s'exécute sur votre machine, donc un très long scan prend le temps que prend votre ordinateur. Divisez le document en parties plus petites et OCRisez ces parties, ou, si le fichier a déjà une couche de texte, extrayez ce texte avec pdf_to_text à la place.

L'OCR fonctionne-t-il avec l'écriture manuscrite ?

Il est conçu pour le texte imprimé. L'écriture manuscrite et les scans de mauvaise qualité peuvent produire des erreurs, donc vérifiez les détails critiques sur l'image originale de la page.

Publié à l'origine sur https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/