PDF scanné en Word peut faire gagner du temps, mais le résultat n’est utile que si le fichier Word obtenu est vérifié avec soin. Les problèmes les plus fréquents apparaissent après la reconnaissance : deux colonnes fusionnent en un seul bloc, des cellules de tableau se décalent, la hiérarchie des titres disparaît et des caractères visuellement proches sont mal lus. Une courte routine de contrôle permet de repérer ces défauts avant de modifier, partager ou réemployer le document.
Cet article porte sur les vérifications à faire après l’OCR, et non sur la manière de lancer l’OCR. Si vous cherchez une page d’information sur cette possibilité, consultez la page d’information sur OCR PDF to Word.
Commencer par une comparaison visuelle rapide
Avant de corriger le texte, ouvrez le PDF scanné et le fichier Word côte à côte. Lors de ce premier passage, posez-vous une question simple : la structure générale a-t-elle été conservée ?
Vérifiez d’abord ces points à fort impact :
- Les sauts de page se trouvent-ils à peu près aux mêmes endroits ?
- Les pages en plusieurs colonnes sont-elles restées séparées, ou ont-elles été fusionnées ?
- Les tableaux sont-ils encore des tableaux, ou sont-ils devenus de simples paragraphes ?
- Les titres se distinguent-ils encore visuellement du texte courant ?
- Les notes, en-têtes, numéros de page ou légendes ont-ils été déplacés dans le corps du texte ?
Cette comparaison rapide permet souvent de savoir si le document demande une correction légère ou une reprise plus profonde.
Vérifier les colonnes avant une relecture détaillée
Les colonnes font partie des mises en page que l’OCR interprète le plus facilement de travers. Dans une lettre d’information, une brochure, un rapport ou un article universitaire, l’OCR peut lire toute la largeur de la page au lieu de terminer une colonne avant de passer à la suivante.
Voici quelques signes typiques d’un problème de colonnes :
- une phrase qui change brutalement de sujet ;
- des lignes grammaticalement incohérentes alors que les mots semblent corrects ;
- des fragments répétés en haut ou en bas de page ;
- des puces ou sous-titres insérés dans le mauvais ordre de lecture.
Une méthode pratique consiste à lire seulement la première et la dernière ligne de chaque paragraphe. Si l’enchaînement paraît étrange, comparez avec le PDF et rétablissez l’ordre voulu avant de corriger les détails.
Pour les mises en page denses, il peut être utile de repérer d’abord chaque bloc de colonne dans Word, puis de séparer ou réunir les parties de texte manuellement. Corriger l’ordre de lecture dès le début évite beaucoup d’erreurs de révision par la suite.
Contrôler les tableaux comme des données, pas seulement comme une mise en page
Les tableaux demandent un type de vérification différent. Même lorsqu’un tableau semble acceptable au premier regard, son contenu peut être faux à l’intérieur des cellules.
Erreurs fréquentes après OCR :
- plusieurs lignes fusionnées ;
- une cellule divisée en plusieurs cellules ;
- des nombres déplacés dans la colonne voisine ;
- des bordures manquantes qui masquent la structure prévue ;
- des en-têtes répétés au milieu des données ;
- des dates, pourcentages ou montants mal reconnus.
Utilisez cette petite grille de contrôle :
| Point à vérifier | Contrôle à effectuer |
|---|---|
| Ligne d’en-tête | Les intitulés de colonnes correspondent au PDF et restent dans le bon ordre |
| Alignement des lignes | Chaque valeur se trouve dans la bonne ligne et la bonne catégorie |
| Format des nombres | Les décimales, virgules, signes moins et symboles de pourcentage sont conservés |
| Cellules vides | Les cellules vides sont bien vides et n’ont pas disparu ni fusionné |
| Totaux | Les sous-totaux et totaux finaux correspondent toujours à la source |
Si le tableau est court, comparez chaque cellule. S’il est long, commencez par les colonnes sensibles : identifiants, dates, montants et totaux.
Repérer les erreurs de reconnaissance qui paraissent crédibles
Les erreurs d’OCR les plus risquées ne sont pas forcément les plus voyantes. Ce sont souvent des substitutions plausibles qui passent une lecture trop rapide.
Exemples courants :
Oet0;I,let1;Set5;Bet8;rnlu commem;cllu commed.
Ces confusions sont particulièrement problématiques dans les noms, numéros de compte, références, clauses juridiques, mesures et valeurs de tableau. Une phrase peut sembler naturelle tout en contenant un seul caractère erroné qui change son sens.
Méthode utile pour relire le fichier Word :
- Recherchez les doubles espaces ou retours à la ligne inattendus.
- Recherchez des combinaisons de caractères inhabituelles ou des symboles isolés.
- Recherchez des mots récurrents dans le document et comparez plusieurs occurrences avec le PDF.
- Vérifiez de près les zones contenant des chiffres et des abréviations, où les erreurs sont fréquentes.
Si le document contient un vocabulaire répétitif, les erreurs récurrentes peuvent parfois être corrigées par lots, après confirmation du motif exact.
Prendre un exemple concret pour une vérification complète
Imaginons un rapport financier scanné de deux pages. Chaque page contient deux colonnes, un tableau récapitulatif et plusieurs paragraphes courts. Après conversion en Word, le texte semble modifiable, mais la vérification révèle trois problèmes :
- le premier paragraphe de la page 1 mélange du texte provenant des deux colonnes ;
- dans le tableau, un chiffre de chiffre d’affaires a glissé dans la mauvaise colonne ;
- l’année
2023apparaît une fois sous la forme2O23, avec la lettreOà la place du zéro.
Ordre de correction conseillé :
- Comparez la page 1 avec le PDF et séparez le texte mélangé entre colonnes.
- Reconstituez ou réalignez le tableau avant de modifier le texte courant qui s’y réfère.
- Recherchez dans tout le document des motifs similaires pour les années et vérifiez chaque occurrence.
- Contrôlez que les totaux corrigés correspondent toujours au PDF.
- Faites une dernière lecture des titres, légendes et sauts de page.
Cette séquence est efficace parce que les erreurs de structure entraînent souvent d’autres erreurs en cascade. Il vaut mieux corriger d’abord la mise en page, puis le texte, puis les détails caractère par caractère.
Suivre une méthode courte et répétable
Une procédure stable est plus fiable qu’une vérification improvisée. Pour la plupart des documents, cette routine en cinq étapes est suffisante :
- Parcourir la structure : pages, colonnes, titres, listes et tableaux.
- Corriger l’ordre de lecture : colonnes fusionnées, paragraphes cassés, blocs déplacés.
- Valider tableaux et nombres : en-têtes, alignement, totaux, dates et symboles.
- Rechercher les erreurs probables d’OCR : noms, chiffres, références et termes répétés.
- Faire une relecture finale : relire pour le sens, pas seulement pour l’orthographe.
Cette vérification peut être rapide pour un formulaire simple et beaucoup plus longue pour un rapport, un contrat ou un document riche en données. L’essentiel est d’adapter l’effort de contrôle au niveau de risque du document.
Connaître les limites de la correction après OCR
Certains défauts ne se corrigent pas proprement avec quelques retouches dans Word. Si le scan est de travers, pâle, recadré de façon incomplète ou visuellement chargé, le fichier Word peut contenir trop d’erreurs structurelles pour être fiable. Dans ce cas, il faut parfois reconstruire manuellement une partie du document.
Gardez aussi en tête que :
- les mises en page décoratives perturbent souvent l’ordre de lecture ;
- les tampons, signatures et notes manuscrites peuvent être insérés au mauvais endroit ;
- un scan de mauvaise qualité peut produire un texte cohérent en apparence, mais faux ;
- les tableaux complexes demandent souvent une reconstruction manuelle.
C’est pourquoi la vérification de qualité n’est pas facultative. Un passage de PDF scanné en Word doit être considéré comme une extraction de brouillon, pas comme un texte prêt à être diffusé sans contrôle humain.
Dernier contrôle avant réutilisation ou partage
Avant d’envoyer le fichier Word à quelqu’un d’autre, posez-vous trois questions :
- Le texte est-il dans le bon ordre ?
- Les tableaux sont-ils assez fiables pour être modifiés ou cités ?
- Les éléments sensibles comme les noms, les dates et les nombres ont-ils été comparés au PDF ?
Si la réponse est non à l’une de ces questions, la révision n’est pas terminée. Quelques minutes supplémentaires à cette étape peuvent éviter des erreurs de modification, de compte rendu ou de version du document.