OCR — Extracteur de texte depuis image — outil gratuit

Exemple détaillé

Prenez le scan d'une page A4 de 2 480 × 3 508 pixels (300 dpi). Laissez « Langue de l'image » sur l'anglais, appuyez sur « Extraire le texte » : l'outil cherche le texte sur une copie réduite à 672 × 960 pixels, puis lit chaque ligne sur une copie de 1 357 × 1 920. Ensuite, les vignettes affichent « Confiance », « Lignes », « Mots » et « Caractères ». Si vous choisissez « PDF consultable (.pdf) », un fichier nommé par exemple « scan_ocr.pdf » contient l'image d'origine sur une page d'environ 595 × 842 points (format A4), avec le texte reconnu posé de façon invisible par-dessus. À la première visite, le pack d'écriture latine pèse 7,7 MB et le détecteur partagé 11,1 MB, soit 18,7 MB de modèles au total. Si vous déposez à la place un PDF scanné de 10 pages, la page indique « 10 pages · environ 5 minutes sur cet appareil », une première estimation de 30 secondes par page.

Quels réglages utiliser, et les limites

• Choisissez la langue de l'image avant d'appuyer sur « Extraire le texte ». Le menu « Langue de l'image » propose 51 langues regroupées par système d'écriture, et chaque titre de groupe indique la taille du téléchargement, par exemple « Écriture latine — 7,7 MB » ou « Chinois et japonais — 15,9 MB ». Les langues d'un même groupe partagent un seul téléchargement : passer du français au polonais ne coûte donc rien. Le coréen, l'arabe, le devanagari, le thaï, le grec, le tamoul et le télougou demandent chacun leur propre pack. Le menu commence sur la langue de votre page, puis se souvient de votre dernier choix dans ce navigateur. L'hébreu n'est pas pris en charge, et la page indique « L'hébreu n'est pas pris en charge par ce moteur. »
• Déposez, collez ou traitez vos fichiers par lot. L'outil accepte les fichiers JPG, PNG, WebP, BMP et PDF, et vous pouvez coller une capture d'écran avec Ctrl+V. Déposez plusieurs fichiers, ou utilisez « Ajouter plus de fichiers » : ils entrent dans une file lue l'un après l'autre avec la même langue. Dans la file, vous choisissez « Enregistrer chaque fichier sous » « Texte brut (.txt) » ou « PDF consultable (.pdf) », et le menu propose « Télécharger un seul .txt combiné ». Une image de plus de 40 mégapixels est refusée, par exemple tout ce qui dépasse 8 000 × 5 000 pixels.
• Choisissez le format d'export qui correspond à votre besoin. « Format d'export » propose « Texte brut (.txt) », « PDF consultable (.pdf) » et « Texte hOCR interrogeable (.html) ». Une image s'ouvre sur l'option texte, et un PDF sur le PDF consultable. Le PDF consultable conserve les images des pages d'origine telles quelles, avec le texte invisible par-dessus : vous pouvez ainsi rechercher, sélectionner et copier dans un lecteur de PDF. Le format hOCR n'est proposé que pour les images seules. Il conserve la position de chaque ligne, mais sous forme de rectangles droits : les lignes inclinées perdent donc leur inclinaison. Les fichiers sont nommés par exemple « scan.txt », « scan_ocr.pdf » et « scan.hocr.html ».
• Pour les PDF scannés, comptez environ 30 secondes par page, et utilisez « Arrêter et conserver ». Avant de commencer, un PDF affiche une estimation de durée fondée sur 30 secondes par page. À partir de la deuxième page, la barre passe à un « environ N min restantes » mesuré sur votre propre appareil, et un bouton tel que « Arrêter et conserver les 3 premières pages » apparaît. Un appui met fin au traitement et conserve les pages terminées, et le résultat indique « Arrêt anticipé : le texte et le PDF consultable couvrent les pages 1–3 sur 10. » Les pages qui contiennent déjà du vrai texte sont conservées telles quelles, avec la mention « Cette page contenait déjà du texte, elle a donc été conservée telle quelle. » Un PDF protégé par mot de passe est refusé.
• Donnez au détecteur une photo nette et rapprochée du texte. Le texte est repéré sur une copie de votre image dont le plus grand côté fait au plus 960 pixels, et les petites images ne sont jamais agrandies. Une page entière photographiée de loin laisse donc peu de détails par lettre. Recadrez sur le texte voulu et photographiez de face, avec un éclairage uniforme. Les lignes que le module de reconnaissance note sous 50 % sont écartées. Après un traitement, « Afficher les zones de texte détectées » dessine les cadres sur l'aperçu, pour voir quelles lignes ont été trouvées. La page elle-même avertit que l'écriture manuscrite reste peu fiable et que les caractères très petits ou peu contrastés peuvent être manqués.
• Sachez ce qui est téléchargé, et ce qui ne quitte pas votre appareil. Le premier traitement télécharge le détecteur partagé et les modèles d'orientation (11,1 MB ensemble) ainsi que le pack de votre écriture, et la page indique ce chiffre unique avant de commencer. Il récupère aussi le fichier du moteur ONNX Runtime partagé, compris dans ce chiffre, sauf si un autre outil du site fonctionnant sur l'appareil l'a déjà mis en cache. Ensuite, les modèles restent dans le cache de votre navigateur et la page affiche « Le modèle est déjà téléchargé, il n'y a rien à récupérer. » L'avis sur le modèle précise que les fichiers du modèle sont téléchargés depuis le serveur du site lui-même et que votre fichier n'est jamais envoyé. Pour récupérer l'espace, utilisez « Supprimer le modèle téléchargé » avec sa taille.

Problèmes courants et comment les résoudre

Il indique « Cette image n'a pas pu être lue. Essayez un fichier JPG, PNG ou WebP. » et « Extraire le texte » est grisé.

Le navigateur n'a pas pu décoder le fichier comme une image. Le fichier est peut-être endommagé, ou d'un autre format enregistré sous un nom JPG ou PNG. Le bouton reste inactif pour ce fichier afin qu'il n'échoue pas de nouveau : retirez-le et ajoutez-en un autre. Réenregistrez l'image en JPG, PNG ou WebP, ou faites-en une capture d'écran et collez-la. Un PDF qui ne s'ouvre pas donne « Ce fichier n'a pas pu être lu comme un PDF. Il est peut-être endommagé, ou ce n'est pas un PDF. »

Il indique « Échec OCR ».

Le traitement s'est arrêté avant la fin. L'une des causes est que le moteur exécuté sur l'appareil n'a donné aucun signe de progression pendant 180 secondes, ce que la page considère comme un blocage. Ce minuteur ne compte que le temps où l'onglet est visible : laissez donc l'onglet au premier plan pendant un long traitement. Après un échec, l'outil abandonne son worker, et un nouvel appui sur « Extraire le texte » en démarre un neuf. Si cela se reproduit, recadrez ou réduisez l'image, traitez un PDF en morceaux plus petits, ou essayez un navigateur de bureau.

Il indique « Aucun texte trouvé. Essayez une image plus nette, ou avec plus de contraste entre le texte et l'arrière-plan. »

Le détecteur n'a trouvé aucune ligne dont le module de reconnaissance soit sûr à au moins 50 %. Vérifiez d'abord « Langue de l'image » : chaque pack est conçu pour un seul système d'écriture, et un pack latin ne convient donc pas à l'arabe, au thaï ou au chinois. Recadrez ensuite sur le texte, augmentez le contraste et redressez la photo. L'écriture manuscrite peut donner ce résultat. Dans un traitement de PDF, ce même message n'apparaît que si aucune page n'a produit de texte : un PDF qui contient déjà du vrai texte sur chaque page donne donc du texte, et non ce message.

Le cadre du modèle indique « Le téléchargement s'est interrompu : vérifiez votre connexion et réessayez. » ou « Votre appareil est réglé pour économiser les données, le téléchargement n'a donc pas démarré. »

Les fichiers du module de reconnaissance n'ont pas pu être récupérés. Vérifiez la connexion et appuyez sur « Réessayer », ou désactivez l'économiseur de données ou passez au Wi-Fi si le message d'économie de données apparaît. Un téléchargement bloqué est signalé séparément. Votre image est décodée avant le début du téléchargement : un fichier illisible ou trop volumineux ne vous coûte donc jamais un téléchargement. Si le cadre indique que l'appareil n'a pas assez de mémoire, ou que le navigateur est trop ancien, utilisez un ordinateur de bureau ou une version à jour de Chrome, Edge, Firefox ou Safari.

Il indique « Cette image est trop grande pour être traitée dans un onglet de navigateur (limite : 40 mégapixels). Redimensionnez-la et réessayez. » ou « Une page de ce PDF est trop grande pour être affichée dans un onglet de navigateur. »

L'image compte plus de 40 millions de pixels, ce qu'un onglet de navigateur ne peut pas traiter en toute sécurité. Cette vérification a lieu avant tout téléchargement. Redimensionnez ou recadrez l'image dans n'importe quel éditeur d'images puis ajoutez-la de nouveau, ou prenez la photo à une résolution d'appareil plus basse. Une photo de téléphone de 12 mégapixels reste largement dans la limite. Pour un PDF, le message signifie qu'une page est énorme, large de plusieurs mètres. Exportez-le d'abord avec un format de page plus petit. Dans une file, le fichier affiche « Image trop volumineuse pour être lue ».

Comment il se compare

Si un PDF contient déjà du texte sélectionnable, vous n'avez pas besoin de l'OCR : l'outil le remarque et conserve ces pages telles quelles. Pour les scans et les photos, la reconnaissance s'exécute ici sur votre processeur, si bien qu'une page dense prend environ 30 secondes et qu'un téléphone est plus lent, alors que d'autres logiciels d'OCR peuvent être plus rapides. Cet outil repère les lignes de texte et les restitue dans l'ordre de lecture, sans reconstruire les tableaux, les colonnes ni les polices : une page à deux colonnes peut donc donner des lignes des deux colonnes mélangées. En échange, il propose une sortie en PDF consultable, 51 langues et un fichier qui n'est pas envoyé.