Comment rendre un PDF interrogeable avec Tesseract ?

Convertissez les pages du PDF en images (par exemple avec pdftoppm à 300 DPI) puis lancez `tesseract page.tif sortie pdf`. Pour un vrai PDF multipage en une étape, utilisez OCRmyPDF : `ocrmypdf entree.pdf sortie.pdf`.

Pourquoi Tesseract a-t-il besoin d'images plutôt que de PDF ?

Tesseract est un moteur d'OCR qui reconnaît des images raster (TIFF, PNG, JPEG, etc.). Un PDF est un conteneur qui peut contenir du texte vectoriel ou des images scannées ; les pages doivent donc être rastérisées avant lecture.

Comment OCR un PDF en Python ?

Utilisez pdf2image (qui nécessite poppler) pour convertir les pages en images, lancez pytesseract sur chacune et combinez avec `image_to_pdf_or_hocr(page, extension='pdf')` et pypdf.

Quel DPI utiliser pour l'OCR de PDF ?

300 DPI est le compromis standard entre précision et vitesse. Utilisez 600 DPI pour les petites polices ou l'archivage, et évitez en dessous de 200 DPI où la précision chute fortement.

Pourquoi le PDF de sortie est-il vide ou sans texte ?

Les causes courantes sont l'absence de couche de texte (l'OCR n'a pas tourné), une mauvaise langue ou une image scannée à trop basse résolution. Vérifiez le succès de l'outil et recherchez un mot connu dans le PDF.

Tesseract OCR pour PDF — Extraire le texte, PDF interrogeables

En bref (une commande)

Pour un vrai PDF multipage, OCRmyPDF est la voie la plus rapide.

bash

pip install ocrmypdf      # ou : apt install ocrmypdf
ocrmypdf entree.pdf sortie.pdf

Pas d'OCRmyPDF ? Rastérisez et utilisez la CLI Tesseract directement — voir ci-dessous.

Pourquoi les PDF doivent être rastérisés

Tesseract reconnaît des images, pas des conteneurs PDF.

Un PDF est un conteneur : il peut contenir du texte vectoriel, des polices intégrées ou des images de pages scannées. Tesseract lit des images raster (TIFF, PNG, JPEG, WebP…), les pages doivent donc d'abord être converties en images. Choisissez le rastériseur selon ce qui est installé :

Outil	Installation	Remarques
`pdftoppm` (poppler)	`apt install poppler-utils`	Rapide, scriptable, le choix classique
`pdftocairo` (poppler)	poppler-utils	Similaire à pdftoppm, sortie Cairo
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Python pur, sans binaires externes
pdf2image	`pip install pdf2image`	Wrapper Python autour de poppler

bash

# PDF -> un PNG par page à 300 DPI
pdftoppm -png -r 300 entree.pdf page

Le DPI est le plus important : 300 DPI est le compromis standard ; 600 DPI pour les petites polices ou l'archivage ; évitez en dessous de 200 DPI.

Créer un PDF interrogeable avec la CLI Tesseract

Une image devient une page PDF interrogeable avec la configuration de sortie pdf.

bash

# Image -> PDF interrogeable
tesseract page-1.png sortie pdf

# Couche de texte seule (sans image visible)
tesseract scan.png sortie textonly_pdf

# Plusieurs pages dans un PDF : passer une liste d'images
tesseract listimages.txt sortie pdf

Pour un PDF multipage, placez chaque chemin d'image sur sa propre ligne dans listimages.txt. Référence complète des formats : documentation.

Méthode B — OCRmyPDF (recommandé pour les vrais PDF)

OCRmyPDF gère la rastérisation, l'OCR, le redressement, la rotation et la couche de texte invisible en une commande.

bash

ocrmypdf entree.pdf sortie.pdf                    # basique
ocrmypdf -l eng+fra entree.pdf sortie.pdf         # langues
ocrmypdf --deskew --rotate-pages entree.pdf sortie.pdf
ocrmypdf --optimize 2 entree.pdf sortie.pdf       # réduire le fichier
ocrmypdf --skip-text entree.pdf sortie.pdf        # garder les pages avec texte

OCRmyPDF utilise Tesseract et nécessite Ghostscript et les outils poppler. Options utiles : --force-ocr, --redo-ocr, --pages 1-10.

Méthode C — pdfsandwich

Un wrapper plus léger qui ajoute une couche de texte et effectue un prétraitement comme le redressement.

bash

pdfsandwich scan.pdf          # génère scan_ocr.pdf
pdfsandwich -lang eng+fra scan.pdf

Méthode D — Python de bout en bout

Utilisez pdf2image pour rastériser et pytesseract pour construire le PDF interrogeable, puis fusionnez avec pypdf.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("entree.pdf", dpi=300)   # nécessite poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="fra")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("sortie.pdf", "wb") as f:
    writer.write(f)

Sous Windows, passez le dossier bin de poppler via poppler_path=. Plus de détails dans le guide pytesseract.

Quelle méthode choisir ?

Méthode	Idéal pour	Configuration	Multipage
OCRmyPDF	Vrais PDF, automatisation	Ghostscript + poppler	Oui, en une commande
pdfsandwich	Couche de texte rapide avec prétraitement	poppler + ImageMagick	Oui
CLI Tesseract	Images ou listes d'images	Tesseract uniquement	Via une liste d'images
Python (pdf2image)	Pipelines et logique personnalisée	poppler + pytesseract	Boucle et fusion

Fidélité de mise en page et superposition du texte

Pourquoi les PDF interrogeables semblent parfois décalés et comment garder la géométrie.

La couche de texte invisible est placée à partir des boîtes de mots de l'OCR ; un mauvais DPI peut la faire dériver.
Utilisez la sortie hOCR ou ALTO pour des coordonnées exactes (surlignage, archivage).
pdftoppm -r 300 et la même taille de page gardent la superposition alignée.
Pour les mises en page complexes, préférez OCRmyPDF, qui conserve l'image d'origine et ajoute la couche sur place.

Qualité et performance

DPI : 300 standard, 600 pour les petites polices ou l'archivage.
Plages de pages : ne traitez que le nécessaire (--pages dans OCRmyPDF).
Parallélisme : OCR des pages en parallèle puis fusion.
Taille : --optimize / compression JPEG, ou réduisez le DPI après l'OCR.
Prétraitement : redressez et débruitez avant l'OCR.

Dépannage

Symptôme	Cause	Solution
`Unable to get page count. Is poppler installed?`	pdf2image ne trouve pas poppler	Installez poppler-utils ou définissez `poppler_path` sous Windows.
Le PDF de sortie n'a pas de texte interrogeable	L'OCR n'a pas tourné ou mauvaise langue	Vérifiez le succès et définissez `-l`/`--language` sur la langue du document.
La superposition du texte est décalée	DPI ou taille de page incorrects	Rastérisez à 300 DPI avec la taille d'origine.
Le fichier de sortie est énorme	Images sans perte à 600 DPI	Utilisez `--optimize` / JPEG, ou réduisez le DPI.
Un PDF protégé par mot de passe échoue	Entrée chiffrée	Déchiffrez d'abord ou passez le mot de passe si l'outil le permet.

FAQ PDF

Comment rendre un PDF interrogeable ?

Utilisez ocrmypdf entree.pdf sortie.pdf, ou rastérisez les pages et lancez tesseract page.tif sortie pdf.

Pourquoi Tesseract ne lit-il pas un PDF directement ?

Tesseract reconnaît des images raster ; les pages du PDF doivent donc d'abord être converties en images.

Quel DPI utiliser ?

300 DPI pour la plupart des documents ; 600 DPI pour les petites polices ou l'archivage.

Puis-je OCR un PDF en Python ?

Oui — utilisez pdf2image avec poppler et pytesseract.image_to_pdf_or_hocr, puis fusionnez les pages avec pypdf.

Comment garder une mise en page précise ?

Conservez la taille et le DPI d'origine, et préférez OCRmyPDF, qui garde l'image et ajoute la couche de texte par-dessus.

En bref (une commande)

Pourquoi les PDF doivent être rastérisés

Créer un PDF interrogeable avec la CLI Tesseract

Méthode B — OCRmyPDF (recommandé pour les vrais PDF)

Méthode C — pdfsandwich

Méthode D — Python de bout en bout

Quelle méthode choisir ?

Fidélité de mise en page et superposition du texte

Qualité et performance

Dépannage

FAQ PDF

Étapes suivantes