Le carnet / Guide technique

Améliorer son référencement avec l’OCR et les outils PDF pour extraire du texte d’un fichier image

Transformer un document scanné en texte exploitable avec l’OCR, puis relire et adapter ce contenu avant sa publication.

03.07.2017 · 2 min de lecture

L’OCR, ou reconnaissance optique de caractères, transforme le texte présent dans une image ou un document scanné en texte sélectionnable. Il peut faciliter la publication de vos propres archives, notices ou documents, mais il ne produit pas à lui seul un contenu utile ou original.

Une fois le texte relu et intégré à des pages utiles, appliquez les vérifications de mise en ligne et d’indexation et déclarez ces pages dans un sitemap cohérent.

Partir d’un document exploitable

Vérifiez d’abord que vous avez le droit de publier le texte et les illustrations. Le fait de pouvoir extraire un document ne donne pas un droit de reproduction. Pour un document interne, contrôlez aussi les informations qui ne doivent pas devenir publiques.

Une image nette, correctement orientée et suffisamment contrastée facilite la reconnaissance. Choisissez la langue du document, puis testez une page contenant les difficultés réelles : tableau, accents, colonnes ou notes.

Choisir l’outil selon le travail à réaliser

Pour copier ou extraire du texte depuis un fichier image, vous pouvez utiliser un éditeur PDF, un outil OCR dédié ou une fonction déjà disponible dans vos logiciels. L’article initial présentait PDFelement 6, ainsi que PDF OCR X, Prizmo, OCRKit, OneNote, FreeOCR, Copyfish et Online OCR. Cette liste historique ne garantit pas leur disponibilité actuelle ni une précision identique sur tous les fichiers.

Avant de choisir, vérifiez les systèmes compatibles, les langues reconnues, le traitement par lots et les formats d’export. Testez aussi la conservation des tableaux. Pour des documents confidentiels, préférez un traitement local ou vérifiez précisément les conditions du service en ligne.

Relire avant de publier

L’OCR peut confondre des lettres et des chiffres, perdre une colonne ou associer un titre au mauvais paragraphe. Comparez le résultat au document d’origine. Relisez particulièrement les noms, dates, montants et références techniques.

Transformez ensuite le texte en véritable page web : titre descriptif, sous-titres, paragraphes courts et liens utiles. Une page HTML bien structurée est généralement plus agréable à consulter sur téléphone qu’une image de texte.

Créer de la valeur plutôt que du volume

Des contenus précis peuvent répondre à des requêtes longue traine, mais recopier de nombreux documents sans les expliquer n’est pas une stratégie éditoriale suffisante. Ajoutez le contexte, la date et les limites de l’information. L’objectif est de rendre vos connaissances accessibles, pas de multiplier artificiellement les pages.