Publié le · mis à jour le · Équipe EPNB
Comment effectuer l'OCR sur des fichiers PDF scannés, et automatiser le traitement des documents
Ce qu'est l'OCR, comment l'appliquer à des PDF scannés, et comment aller plus loin en automatisant l'extraction des données avec l'IA.
Article réécrit en 2026. La version de 2017 présentait un logiciel de bureau en particulier. Cette mise à jour décrit la démarche, du PDF scanné à l’extraction automatique des données.
La reconnaissance optique de caractères (OCR) transforme l’image d’un document scanné en texte exploitable : on peut alors le rechercher, le copier, le modifier ou l’intégrer dans un logiciel. Sans OCR, il faut tout ressaisir, alors que la dématérialisation multiplie les documents numérisés.
Ce qui fait un bon OCR
La qualité d’un OCR se mesure à son taux d’erreur, surtout sur les caractères proches (un « l » minuscule et un « I » majuscule, le chiffre « 0 » et la lettre « O »). Pour lever ces ambiguïtés, les moteurs s’appuient sur des dictionnaires et des modèles propres à chaque langue. D’où une règle simple : indiquez toujours la langue du document. Un outil qui ne la demande pas fonctionnera surtout bien en anglais.
La qualité du scan compte autant que l’outil : une résolution de 300 dpi, un document bien droit et un bon contraste réduisent fortement les erreurs.
Rendre un PDF scanné consultable
La démarche est la même quel que soit l’outil :
- Ouvrir le PDF scanné dans un logiciel disposant d’une fonction OCR (la plupart des éditeurs PDF en proposent une).
- Choisir la langue du document et les pages à traiter.
- Lancer la reconnaissance, puis enregistrer un PDF avec couche texte : il garde l’apparence du scan, mais le texte devient sélectionnable et indexable.
- Relire les passages importants, en particulier les montants, les dates et les noms propres.
Pour traiter des volumes importants, des outils libres en ligne de commande, comme Tesseract ou OCRmyPDF, s’intègrent dans des traitements automatisés.
Aller plus loin : extraire les données automatiquement
Rendre un document lisible ne suffit souvent pas : ce qui compte, c’est d’en extraire les bonnes informations et de les envoyer au bon endroit. Pour une facture, ce sont le fournisseur, la date, les montants et la TVA, à transmettre au logiciel comptable.
L’OCR s’associe désormais à des modèles d’IA capables de comprendre la structure d’un document : ils repèrent les champs utiles même quand la mise en page change d’un fournisseur à l’autre. Une chaîne de traitement complète comprend :
- la réception des documents (e-mail, dépôt, scan) ;
- l’OCR et l’extraction des champs ;
- des contrôles automatiques : cohérence des montants, doublons, fournisseur connu ;
- une validation humaine des cas douteux ;
- l’envoi des données vers le logiciel métier (ERP, comptabilité, CRM) par API ou par fichier CSV ou JSON.
La facturation électronique, qui se généralise entre entreprises, réduit le besoin d’OCR pour les factures, mais de nombreux documents (bons de livraison, courriers, formulaires, archives) restent sur papier ou en PDF scanné.