PDF scanné : voir un mot ne permet pas toujours de le retrouver

# PDF scanné : voir un mot ne permet pas toujours de le retrouver

Le mot est visible. Pourquoi la recherche ne le trouve pas ?

C'est une situation fréquente dans les archives administratives. Un courrier a été numérisé, classé dans un dossier, puis retrouvé plusieurs mois plus tard. À l'écran, le contenu semble parfaitement lisible. Pourtant, une recherche sur un nom, une référence ou le mot « livraison » ne renvoie rien.

Le problème ne vient pas toujours du document recherché. Il peut venir de ce que le PDF contient réellement.

Une page lisible peut rester une simple image

Scanner une feuille permet d'obtenir une représentation visuelle de la page. Les lettres sont visibles, comme sur une photographie. Mais cela ne signifie pas automatiquement que le PDF contient du texte exploitable par un outil de recherche.

Dans ce cas, le document affiche des mots sans nécessairement proposer de couche de texte sélectionnable ou recherchable. Pour une personne qui ouvre le fichier, la différence est discrète. Pour une équipe qui doit retrouver une information précise dans plusieurs archives, elle devient importante.

Voir une information et pouvoir la rechercher sont deux capacités différentes.

La couche de texte change la nature du document

La reconnaissance de caractères, souvent appelée OCR, consiste à interpréter les lettres visibles dans une image afin d'ajouter une couche de texte au document.

Lorsque cette couche est présente et correctement interprétée, il devient possible de sélectionner des mots, de les copier ou de les rechercher. Le PDF reste visuellement le même, mais son contenu peut devenir plus accessible à la recherche.

Cela ne transforme pas pour autant chaque archive en base de connaissances prête à l'emploi. Pour retrouver une information de façon fiable, il faut aussi tenir compte du vocabulaire employé, de la qualité de la numérisation, de la langue choisie et de l'outil utilisé pour consulter le fichier.

Un exemple fictif pour distinguer les trois étapes

Prenons un courrier entièrement fictif contenant la phrase suivante :

« La livraison prévue le 12 octobre a été reportée. »

Sur une page scannée, le mot « livraison » peut être parfaitement lisible.

Trois situations restent possibles :

• Le PDF contient uniquement l'image de la page. Le mot est visible, mais aucune couche de texte ne permet de le sélectionner ou de le rechercher.
• Une couche de texte a été créée, mais le mot a été mal interprété. Par exemple, une lettre peu nette peut conduire à une transcription différente.
• Le texte est bien présent, mais la recherche ne trouve rien pour une autre raison : terme recherché différent de celui du courrier, outil inadapté à la recherche dans ce fichier, ou restriction appliquée au document.

Le résultat est le même pour la personne qui cherche : aucun retour utile. Mais la cause n'est pas forcément la même.

Une recherche vide ne suffit pas à conclure

Une recherche qui ne renvoie aucun résultat ne prouve pas, à elle seule, qu'un PDF ne contient pas de texte.

Avant de conclure, posez-vous quelques questions simples :

• Le mot recherché apparaît-il exactement sous cette forme dans le document ?
• La page est-elle suffisamment nette pour que les caractères aient pu être interprétés correctement ?
• La bonne langue a-t-elle été choisie lors de la reconnaissance ?
• Le mot peut-il être sélectionné dans le PDF ?
• L'outil utilisé permet-il bien de rechercher dans ce document ?
• Le fichier comporte-t-il des restrictions qui limitent l'accès à son contenu ?

Cette vérification évite de confondre un document sans couche de texte, une erreur de reconnaissance et un problème de recherche.

Faites un essai sur un document non sensible

Prenez un PDF non sensible qui vous appartient et choisissez un mot clairement visible sur une page.

Recherchez ce mot dans le document. Essayez ensuite de le sélectionner. Si la recherche ou la sélection ne fonctionne pas, ne tirez pas de conclusion trop rapide : notez le mot testé, vérifiez son orthographe dans le document et regardez si la page est nette.

Cet essai ne remplace pas l'analyse d'un fonds documentaire. Il permet toutefois de formuler une question plus précise : vos archives doivent-elles seulement être conservées, ou doivent-elles aussi permettre de retrouver une information lorsque l'équipe en a besoin ?

Penser l'archive à partir de l'usage

Une archive numérisée utile ne se limite pas à un ensemble de fichiers stockés dans un dossier. Elle doit être pensée selon les informations que vos équipes ont besoin de retrouver : un nom, une date, une référence, un objet de courrier ou un élément de dossier.

Cette réflexion peut conduire à examiner la qualité des documents, les règles de classement, les besoins de recherche et les priorités de traitement. Elle ne suppose pas qu'une même méthode convienne à toutes les archives.

Sur un PDF non sensible qui vous appartient, recherchez un mot visible. Si votre besoin porte sur des archives réellement consultables, demandez un cadrage de transition digitale.