OCR en ligne : extraire le texte d'une image ou d'un PDF
Importez une photo, une capture d'écran ou un PDF scanné : le texte est reconnu dans votre navigateur, sans que le document ne quitte votre appareil.
Chargement de l'outil…
Comment ça marche
La reconnaissance repose sur Tesseract, le moteur OCR libre maintenu par la communauté et longtemps développé par Google, compilé en WebAssembly par le projet Tesseract.js. Il s'exécute dans un Web Worker de votre navigateur : l'interface reste réactive pendant l'analyse, et vous pouvez l'annuler à tout moment.
Le moteur n'est pas chargé à l'ouverture de la page. Au premier clic sur « Extraire le texte », le navigateur télécharge le programme WebAssembly et les données de la langue choisie, depuis ce site uniquement, sans passer par un CDN tiers. Ces fichiers sont ensuite mis en cache. Votre document, lui, n'est jamais transmis : il est lu, éventuellement converti en niveaux de gris, puis analysé en mémoire.
Pour un PDF, chaque page est d'abord dessinée en image à environ 150 DPI, puis analysée. Si votre PDF contient déjà du texte sélectionnable, l'OCR n'est pas nécessaire : un simple copier-coller depuis votre lecteur PDF donnera un résultat parfait. Pour simplement transformer les pages en images, utilisez le convertisseur PDF ↔ images.
Conseils pour un meilleur résultat
- Résolution suffisante : visez des lettres d'au moins 20 pixels de haut. Une capture d'écran zoomée ou un scan à 300 DPI donne les meilleurs résultats.
- Contraste : texte foncé sur fond clair et uniforme. Le prétraitement (niveaux de gris, contraste renforcé) aide sur les photos ternes ; désactivez-le si le fond est très chargé.
- Texte droit : photographiez le document bien à plat et de face ; une page inclinée ou courbée multiplie les erreurs.
- Bonne langue : choisissez la langue du document, ou cochez les deux pour un texte mixte.
- Relisez les mots signalés : l'indice de confiance global et la liste des mots peu fiables indiquent où porter l'attention.
Limites à connaître
L'OCR n'est jamais parfait. L'écriture manuscrite est mal reconnue. Les tableaux, colonnes et mises en page ne sont pas conservés : vous obtenez du texte brut. Les polices très décoratives, le texte sur une photo chargée ou les très petits caractères produisent davantage d'erreurs. Enfin, la vitesse dépend de votre appareil : quelques secondes pour une page nette sur un ordinateur récent, davantage sur un téléphone d'entrée de gamme.
Non. L'image ou le PDF reste dans votre navigateur : la lecture du fichier, le rendu des pages et la reconnaissance des caractères s'exécutent localement, dans un Web Worker. Les seules requêtes réseau servent à télécharger le moteur OCR lui-même, depuis ce site, et elles ne contiennent aucune donnée de votre document.
Oui. Chaque page du PDF est dessinée en image avec pdf.js, puis analysée l'une après l'autre ; la progression affiche la page en cours. Le texte des pages est séparé par un marqueur « --- Page n / N --- ». L'outil traite jusqu'à 20 pages par fichier ; un PDF protégé par mot de passe ne peut pas être ouvert.
Mal, et nous préférons le dire. Tesseract est entraîné sur du texte imprimé : une écriture manuscrite, même soignée, donne en général un résultat inutilisable. Pour des notes manuscrites, mieux vaut les retaper ou utiliser un outil spécialisé.
Pour que la page reste légère pour tout le monde, le moteur OCR (un programme WebAssembly) et les données de la langue choisie ne sont téléchargés qu'au moment où vous lancez la première reconnaissance. Le poids exact est annoncé avant. Ils sont ensuite conservés par le navigateur : les visites suivantes démarrent sans nouveau téléchargement.
Oui, c'est l'un des réglages qui influe le plus sur le résultat. Le modèle français connaît les accents et la ponctuation française ; appliqué à un texte anglais, il reste correct, mais l'inverse fait perdre les accents. Pour un document mêlant les deux, cochez français et anglais : l'analyse est un peu plus lente.
Non. L'outil produit du texte brut, ligne par ligne. Les colonnes, tableaux, polices et images ne sont pas reconstruits : un tableau ressort comme une suite de lignes dont il faut parfois réordonner les cellules.