OCR - rendre un PDF interrogeable

Non. L'image numérisée reste octet pour octet telle qu'elle était ; ce qui est ajouté est une couche de texte invisible par-dessus, la même construction qu'utilisent Acrobat et tous les logiciels de numérisation pour un PDF interrogeable. Rechercher, sélectionner et copier fonctionnent ; l'impression ne change pas.

C'est le moteur neuronal de Tesseract 5, celui qu'on trouve derrière la plupart des OCR open source, exécuté en WebAssembly dans votre navigateur. Une numérisation propre à 300 dpi d'un texte imprimé sort presque sans faute ; une page de travers, pâle ou photographiée, moins bien - redressez-la d'abord avec Redresser un PDF. Les mots dont le moteur n'était pas sûr sont quand même placés, pour qu'une recherche les trouve, et l'outil indique leur nombre.

Hongrois, anglais, allemand, français, italien, espagnol, polonais, roumain, slovaque, tchèque, croate, slovène, serbe (latin et cyrillique), ukrainien, russe, bulgare, grec, turc, danois, suédois, norvégien, finnois, néerlandais, portugais, latin, arabe, persan, hébreu, chinois (simplifié et traditionnel), japonais, coréen et l'allemand en Fraktur pour les impressions gothiques d'avant-guerre, dans n'importe quelle combinaison - un contrat bilingue se lit avec deux. Chaque langue est un téléchargement distinct que le navigateur conserve ensuite.

Rien n'est envoyé : le fichier est ouvert et traité dans votre navigateur et ne quitte jamais votre appareil. Fermez l'onglet, et il a disparu. Le moteur OCR et ses fichiers de langue proviennent eux aussi de ce site : même le choix de la langue n'est envoyé nulle part.

Par défaut, seulement celles qui n'ont pas encore de couche de texte, car une page d'origine numérique en a déjà une et une seconde doublerait chaque résultat de recherche. Si un OCR précédent a mal fonctionné, passez à toutes les pages - la nouvelle couche se place sous l'ancienne.

Plus longtemps que tout le reste ici - la reconnaissance est un vrai travail, et chaque page demande un moment même sur une machine rapide : mieux vaut lancer une longue numérisation et la laisser tourner. La première fois, le moteur de reconnaissance et les données de langue sont aussi téléchargés (quelques mégaoctets, depuis ce site et non un CDN) ; ensuite, votre navigateur les garde en cache, et le bouton indique l'avancement, page par page.