PDF scanné en Word : pourquoi la mise en forme casse

Un PDF scanné n'est pas un document Word qu'il suffirait de déballer. C'est une pile de photos de pages : avant de pouvoir modifier quoi que ce soit, il faut que quelque chose lise les lettres sur les images, puis devine où se placent les paragraphes, les colonnes et les tableaux. C'est dans ces suppositions que la mise en forme se perd, et avec un scan, mieux vaut choisir sa méthode avant de commencer.

D'abord, identifiez le type de PDF

Essayez de sélectionner une phrase dans votre lecteur PDF. Si les mots se surlignent un par un et se copient proprement, le fichier a déjà une couche de texte, et PDF en Word peut le reconstruire en document modifiable. Si toute la page se surligne comme une seule image, c'est un scan, et la suite de cet article vous concerne.

Ce que notre PDF en Word fait d'un scan

Passez un scan tel quel dans PDF en Word et vous obtenez un .docx où chaque page est posée sous forme d'image. Le rendu semble correct, mais il n'y a rien à modifier. Lancer l'OCR avant n'y change rien : l'OCR ajoute une couche de texte invisible derrière chaque page, et le convertisseur Word ignore cette couche cachée. Pour un scan, laissez donc PDF en Word de côté et prenez l'une des voies ci-dessous.

Les méthodes qui marchent sur un scan

1. Vous voulez le texte dans Word : utilisez PDF en Texte en cochant l'option « Lancer l'OCR ». Vous obtenez un .txt avec le texte reconnu, à coller dans un nouveau document Word pour le mettre en forme. Titres et tableaux sont à refaire à la main, mais vous ne retapez rien.
2. Vous voulez seulement chercher et copier : OCR PDF suffit. La page garde exactement son aspect, et les mots deviennent sélectionnables.
3. C'est surtout un tableau de chiffres : passez le fichier dans OCR PDF, puis dans PDF en Excel. L'extraction de tableaux sait lire la couche OCR, mais vérifiez les colonnes, car des cellules voisines se retrouvent parfois fusionnées.

Pourquoi la mise en page casse de toute façon

L'OCR reconnaît des caractères ; elle ne connaît pas les choix de mise en page derrière le document. Sur un scan pâle, un 8 peut devenir un 3. Deux colonnes peuvent être lues d'un seul trait, ligne par ligne. Un tableau peut ressortir en valeurs séparées par des espaces, et l'écriture manuscrite reste peu fiable.

Il y a aussi la langue : notre OCR ne lit que l'anglais. Sur un document en français, les lettres accentuées sont souvent perdues ou remplacées (é devient e, ç devient c), et les écritures non latines ne sont pas reconnues du tout. Pour un texte en français, lancez plutôt ocrmypdf sur votre propre ordinateur avec l'option -l fra+eng.

• Des scans nets, droits et bien contrastés donnent à l'OCR ses meilleures chances.
• Les tableaux et les pages en colonnes demandent la relecture la plus attentive.
• Les tampons et les notes manuscrites se vérifient caractère par caractère quand la précision compte.

Une meilleure source vaut mieux que toutes les retouches

Si vous avez encore l'original papier, rescannez-le bien droit, vers 300 DPI, sans doigts, ombres ni coins cornés dans le cadre. Si le PDF sort d'un logiciel de bureau, demandez le fichier numérique d'origine ou le document source. Un vrai PDF numérique passe correctement dans PDF en Word, et un original propre fait gagner plus de temps qu'une heure de réparation de mise en forme.

Questions fréquentes

Pourquoi mon fichier Word ne contient-il que des images des pages ?

Parce que le PDF était un scan. Le convertisseur n'a trouvé aucun vrai texte à reconstruire, il a donc placé chaque page en image. Utilisez PDF en Texte avec l'OCR activée pour récupérer les mots, puis collez-les dans Word.

Puis-je améliorer un scan flou en le convertissant à nouveau ?

Non. Refaire une conversion n'ajoute pas les détails que le scan n'a jamais captés. Rescannez l'original plus nettement si possible, puis lancez l'OCR une seule fois.