Pour convertir un PDF numérisé en Markdown, ajoutez-le dans MD Factory. L’application repère les pages qui ne sont que des images de texte, reconnaît le texte sur votre PC avec l’OCR intégré et enregistre un fichier Markdown à côté du PDF.
L’OCR lit bien les pages imprimées propres, mais se trompe sur les pages pâles, de travers ou manuscrites : prévoyez donc de comparer le résultat au scan. Les étapes ci-dessous traitent ce qui diffère d’un PDF ordinaire : la langue OCR, le statut À vérifier, les tableaux, l’écriture manuscrite et les réglages du scanner.
Convertir un PDF numérisé
- Ouvrez MD Factory.
- Cliquez sur Ajouter des fichiers et choisissez le PDF, ou faites-le glisser dans la fenêtre. Pour convertir un dossier entier de scans, sous-dossiers compris, cliquez sur Ajouter un dossier.
- La conversion démarre immédiatement. Pour le premier PDF, la ligne affiche Chargement du moteur PDF avant le traitement des pages.
- Attendez que la ligne affiche le résultat : Terminé, À vérifier ou Échec.
- Double-cliquez sur le chemin du résultat dans la ligne pour ouvrir le fichier Markdown.
Le fichier Markdown prend le nom du PDF et est enregistré dans le même dossier. Si les pages contiennent des images, comme des photos ou des schémas, elles vont dans un dossier à côté. Le PDF lui-même n’est pas modifié.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/Les PDF sont convertis les uns après les autres, tandis que les autres types de documents de la file d’attente s’exécutent en parallèle. L’application ne lit que les fichiers des disques locaux. Si votre scanner enregistre dans un dossier réseau, copiez d’abord les PDF sur votre PC.
Comment l’application décide qu’une page a besoin de l’OCR
Une page a besoin de l’OCR lorsque son texte n’existe que sous forme d’image. MD Factory vérifie la présence de texte sélectionnable dans chaque PDF et choisit l’une de deux méthodes :
- Si aucune page n’a de texte sélectionnable, tout le fichier est traité comme un scan, et chaque page est reconnue en entier par l’OCR.
- Si certaines pages ont du texte, l’application le conserve tel quel et n’exécute l’OCR que là où le texte apparaît sous forme d’image, par exemple une page numérisée au milieu d’un rapport tapé.
Un PDF mixte n’exige aucune préparation. Dans notre test, un fichier de trois pages, avec une première et une dernière page tapées et une page centrale numérisée, a donné un seul fichier Markdown contenant le texte des trois pages.
MD Factory n’accepte les scans que sous forme de fichiers PDF. Les fichiers image comme JPG, PNG ou TIFF sont listés comme ignorés : réglez donc votre application de numérisation sur PDF.
Si votre PDF contient déjà du texte sélectionnable partout, l’OCR n’intervient pas. Le guide de conversion de PDF en Markdown traite ces fichiers.
Choisir la langue OCR
Chaque PDF démarre avec la langue OCR réglée sur Auto (détection de script). Dans ce mode, l’application détermine l’alphabet de chaque page, par exemple latin, cyrillique, grec ou arabe, et lit la page avec un modèle adapté à cet alphabet. Dans nos tests sur des pages propres à 300 dpi, en corps 12, Auto a lu une page en anglais sans erreur et une page en russe avec moins d’un caractère erroné sur cent.
Vous choisissez une langue lorsqu’un PDF se termine par À vérifier ou Échec :
- Une fois la file d’attente terminée, cliquez sur le statut dans la ligne du fichier. Une fenêtre s’ouvre avec la liste des problèmes trouvés.
- Ouvrez la liste Langue OCR et choisissez la langue du document.
- Cliquez sur Réessayer.
Il n’existe pas de réglage pour choisir la langue à l’avance. Chaque nouveau PDF démarre en Auto, et la dernière langue choisie est présélectionnée à la prochaine nouvelle tentative.
Deux langues sur une même page fonctionnent en Auto lorsqu’elles partagent un alphabet, comme l’anglais et l’allemand.
Lorsque les alphabets diffèrent, Auto lit toute la page comme l’un d’eux. Pour la plupart des alphabets, ce modèle couvre aussi l’anglais : les termes anglais sur une page grecque ou arabe passent donc généralement. Le cyrillique fait exception : dans notre test, une page contenant à la fois de l’anglais et du russe a obtenu À vérifier. Réessayez avec la langue principale de la page, puis comparez au scan les mots de l’autre alphabet.
Ce que signifie À vérifier pour un scan
À vérifier signifie que l’application a enregistré le fichier Markdown mais a trouvé un problème qui mérite un contrôle. Pour les scans, la fenêtre qui s’ouvre depuis le statut affiche en général l’un de ces messages, avec le numéro de page entre parenthèses :
| Message | Ce qui s’est passé | Que faire |
|---|---|---|
| OCR n’a pas pu lire une partie de ce document. Choisissez une langue et réessayez. | Les mots reconnus sur cette page ont une confiance moyenne inférieure à 75 %, ou une partie de la page n’a pas pu être lue. | Choisissez la langue du document et réessayez. Si la langue est déjà la bonne, comparez la page au scan ou numérisez-la de nouveau. |
| Une page ne comporte aucun texte extrait. Vérifiez-la par rapport à la source. | Rien n’a été reconnu sur cette page. Les pages blanches reçoivent aussi ce message. | Regardez la page dans le PDF. Si elle contient du texte, numérisez-la de nouveau plus nettement. |
Si aucune page ne donne de texte, le fichier est marqué Échec, et la fenêtre suggère de réessayer avec une langue OCR choisie explicitement.
Terminé ne veut pas dire que chaque caractère est juste. Le contrôle porte sur la moyenne d’une page entière : un seul caractère mal lu sur une page par ailleurs propre ne le déclenche donc pas. Sur la page de test russe propre mentionnée plus haut, le nombre 1248 est devenu 124 %.
Avant de vous fier au texte, comparez au scan chaque chiffre que vous allez utiliser : noms, dates, montants, numéros de compte ou de pièce d’identité.
Pages de travers, bruitées ou pâles
Une légère inclinaison et quelques taches ne posent pas de problème. Dans nos tests, une page de test inclinée d’environ un degré, légèrement floue et couverte de fines taches a été convertie avec le statut Terminé.
Un mauvais scan est signalé. Une page floue et peu contrastée, numérisée à basse résolution et inclinée de 3,5 degrés, a obtenu À vérifier.
Faites pivoter les pages couchées sur le côté ou à l’envers dans votre application de numérisation ou votre éditeur de PDF avant la conversion. Quand une page obtient À vérifier à cause de sa qualité plutôt que de sa langue, numérisez-la de nouveau avec les réglages ci-dessous.
Tableaux dans les pages numérisées
MD Factory cherche aussi des tableaux dans les pages numérisées et les écrit sous forme de tableaux Markdown. Chaque cellule reste du texte issu de l’OCR, et un tableau masque bien les erreurs : un chiffre faux dans une colonne de montants paraît aussi plausible qu’un chiffre juste.
Comparez le tableau au scan ligne par ligne. Additionnez une colonne et vérifiez le résultat par rapport au total imprimé. Si des valeurs ont glissé dans la mauvaise ligne ou la mauvaise colonne, corrigez-les dans le Markdown. Le guide du PDF contient un exemple de restauration d’un tableau qui avait perdu ses lignes.
Écriture manuscrite
MD Factory reconnaît le texte imprimé et tapé. Il n’est pas conçu pour l’écriture manuscrite : les notes écrites à la main, les commentaires dans les marges et les champs de formulaire remplis peuvent sortir illisibles ou disparaître.
Ne vous fiez pas au texte converti pour tout ce qui est manuscrit. Gardez le scan comme référence et saisissez ces passages vous-même.
Numériser pour un meilleur OCR
La qualité de la reconnaissance dépend de l’image. Le guide de Tesseract pour améliorer la qualité de l’OCR énumère ce qui rend une image difficile à lire, et, pour la numérisation, tout tient en cinq points :
- Numérisez à 300 dpi ou plus. Le guide indique que la reconnaissance fonctionne le mieux à une résolution d’au moins 300 dpi.
- Posez la page bien droite sur la vitre. Une page inclinée rend bien plus difficile le repérage des lignes de texte.
- Gardez un éclairage uniforme, surtout si vous photographiez les pages avec un téléphone. Les ombres et un fond inégalement sombre compliquent la distinction entre le texte et le papier.
- Fermez le capot du scanner ou rognez les bords. Les bordures sombres autour d’une page numérisée peuvent être lues comme des caractères en trop.
- Utilisez l’exemplaire le plus propre dont vous disposez. Les taches et autres parasites réduisent la précision.
Enregistrez chaque document dans son propre PDF. MD Factory crée un fichier Markdown par PDF : une pile de papiers sans rapport numérisés dans un seul fichier devient donc une seule longue note.
Pièces d’identité, contrats et dossiers médicaux
Les scans sont souvent personnels : passeports, contrats, relevés bancaires, dossiers médicaux. MD Factory les reconnaît sur votre PC et n’envoie ni le PDF ni le texte reconnu.
Le fichier Markdown est enregistré à côté du scan. Le texte qui était enfermé dans une image est maintenant du texte brut que toute personne ayant accès au dossier peut lire et rechercher. Si ce dossier est synchronisé avec OneDrive ou un autre service cloud, le fichier Markdown l’est aussi. Notre guide pour convertir des documents sans les envoyer en ligne montre comment vérifier où un dossier est stocké.
Pour les documents juridiques, médicaux et financiers, le scan reste l’original. Considérez le Markdown comme une copie de travail et vérifiez chaque chiffre par rapport au scan avant d’agir. Supprimez le fichier Markdown et son dossier d’images quand vous n’en avez plus besoin.