Détecter si un PDF est scanné

Analysez un PDF pour estimer s’il provient d’un scan (images sur les pages, absence de polices, indices CCITT/JBIG2) et exportez le diagnostic en JSON, localement dans votre navigateur.

Importer un PDF

Aucune donnée n’est envoyée sur un serveur : tout se fait dans votre navigateur.

← Retour aux outils PDF

Cas d’utilisation

Décider d’un OCRSavoir rapidement si l’OCR est nécessaire avant indexation/recherche plein texte.
Contrôle accessibilitéIdentifier des PDF “images” non sélectionnables (souvent non accessibles) à corriger.
Pipeline d’extractionRouter automatiquement les documents : extraction directe si texte présent, OCR sinon.
QA de numérisationRepérer des pages de mauvaise qualité (trop peu de texte, images dominantes) dans un lot de scans.

Ce que vous obtenez

Un diagnostic JSON par page : présence de texte, proportion de contenu image, indices de “scan” (selon heuristiques).

Des indicateurs pour prioriser l’OCR (pages à traiter, pages déjà exploitables).

Limites et points d’attention

Détection heuristique : certains PDF graphiques (catalogues, slides) peuvent ressembler à des scans sans l’être.
Des PDF peuvent contenir du “texte caché” (OCR déjà fait) : l’outil le détecte mais la qualité peut varier.
La qualité réelle de l’OCR dépendra de la résolution, du contraste et de la langue — non évalués finement ici.

Questions fréquentes

Un scan peut-il contenir du texte sélectionnable ?

Oui, si un OCR a été appliqué : l’image reste, mais une couche texte est ajoutée.

Est-ce que l’outil fait l’OCR ?

Non. Il détecte et diagnostique. L’OCR est une étape séparée.

Pourquoi une page est classée “scan” alors que je vois du texte ?

Le texte visible peut être une image (rendu), pas du texte vectoriel. Le diagnostic se base sur le contenu interne.

Astuce

Avant d’investir du temps d’extraction, détectez les scans : c’est la façon la plus simple d’éviter de “chasser” du texte qui n’existe pas sans OCR.