Convertir BMP en TXT

Personne ne numérise en BMP exprès aujourd’hui. Les fichiers qui arrivent ici ont été écrits par un pilote de scanner des années 1990, une passerelle de télécopie, un multifonction avec un vieux micrologiciel, ou un système documentaire Windows qui tourne discrètement dans un service d’archives depuis vingt ans. Microsoft a publié le format en 1987 et l’en-tête de 40 octets que ces fichiers portent en 1990 ; le registre le marque comme hérité, et les archives qu’il a produites sont toujours là.

Cela conditionne le travail. C’est rarement une page et une question — c’est un répertoire, ou un partage, ou un export d’un système en cours de décommission, et les mots doivent en sortir parce que le système qui savait les lire s’en va. Cela veut aussi dire qu’on ne peut pas rescanner, ce qui est la différence entre cette page et toutes les autres pages d’OCR du site : une photo peut être reprise et une capture refaite en plus grand, mais un fax de 1997 d’une lettre signée est aussi bon qu’il le sera jamais.

Parce qu’un BMP coûte trois octets par pixel sans compression, sa taille est arithmétique et fonctionne à l’envers. Une page A4 numérisée à 300 dpi fait 2 480 par 3 508 pixels et environ 26 Mo. La même page à 150 dpi fait 1 240 par 1 754 et environ 6,5 Mo. Un fichier mesuré en centaines de kilooctets a été numérisé à une résolution trop basse pour être lu de façon fiable.

C’est un contrôle utile à faire avant de convertir une archive plutôt qu’après. La résolution est le plus fort prédicteur de la façon dont la reconnaissance ira, elle est fixée au moment de la numérisation, et avec un BMP on peut la lire sur la taille du fichier sans rien ouvrir. Trier le répertoire par taille est donc un tri approximatif par la qualité de reconnaissance à venir, ce qui est un triage exceptionnellement peu coûteux — et qui ne fonctionne que parce que le format ne compresse rien, donc rien du contenu n’interfère avec le nombre.

Une grande partie des numérisations anciennes était en noir et blanc : chaque pixel forcé à noir pur ou blanc pur au moment de la numérisation, parce qu’une page stockée à un bit par pixel prenait un huitième de l’espace et la place sur disque était la contrainte. Les images de fax sont la même chose par définition.

Le reconnaisseur veut le gris. Les bords anti-crénelés et les jambages partiels sont ce qui lui permet de distinguer un e d’un c, et le seuillage les a supprimés avant que le fichier existe — les serif fins disparaissent, le texte pâle se casse en fragments, et le gras se fond en une tache. Rien ne le récupère, et aucun réglage sur cette page n’y remédie. Si le papier existe encore, rescanner en niveaux de gris à 300 dpi vaut plus que n’importe quelle quantité de traitement. Il y a une petite consolation : une page A4 en noir et blanc à 300 dpi fait environ 1,1 Mo plutôt que 26, donc une archive de ce type fait une fraction de ce qu’une archive de numérisations couleur aurait fait, ce qui est exactement pourquoi on a numérisé ainsi.

Chaque résultat garde le nom de fichier d’origine avec l’extension changée, donc l’ordre des fichiers texte est l’ordre des bitmaps — qui est ce que le système d’imagerie avait décidé en 1998. Les noms comme SCAN0001 à SCAN0912 trient correctement ; les noms finissant par des nombres non paddés ne trient pas, et un ensemble qui va jusqu’à la page 10 la mettra directement après la page 1.

Le mode d’échec à surveiller est le silencieux. Une page où le reconnaisseur n’a rien trouvé revient comme un fichier vide plutôt que comme une erreur, donc une feuille intercalaire vierge, une page numérisée à l’envers et une page dont le contraste l’a vaincu se ressemblent toutes dans le répertoire de sortie. Trier les résultats par taille et ouvrir les plus petits prend une minute et les trouve tous.

L’anglais, l’allemand, le français et l’espagnol ont des modèles ici, et le choix n’est pas un indice. Le reconnaisseur apparie des formes contre les glypes et le vocabulaire d’une seule langue, et face à la mauvaise il n’échoue pas — il rend la correspondance la plus proche dans un ensemble qui ne contient pas la bonne réponse.

Le symptôme est un texte fluide et faux : des trémas allemands malmenés, des accents français supprimés, des mots qui existent presque. Sur une archive, cela vaut la peine d’être bien fait sur le premier fichier plutôt que sur le centième, parce qu’un lot lu dans la mauvaise langue produit un répertoire de sortie plausible que personne ne remarque cassé avant bien plus tard.

C’est le seul moteur du site qui peut être faussement confiant plutôt que simplement imparfait. Un convertisseur qui transforme un bitmap en PNG soit fonctionne, soit lance une exception ; celui-ci rend un texte qui ressemble exactement à du texte, qu’il dise ou non ce que la page disait, sans marque sur les passages dont il n’était pas sûr.

Lisez la sortie contre l’original, et lisez les chiffres d’abord. Un chiffre mal lu dans un total de facture, une référence de compte ou une date est précisément l’erreur qui survit à un coup d’œil rapide sur le résultat et cause un vrai problème des mois plus tard. Les chiffres sont aussi le pire cas pour la reconnaissance, parce qu’il n’y a pas de vocabulaire derrière eux — une mauvaise lettre produit en général un mot qui n’est pas un mot, et un mauvais chiffre produit un nombre parfaitement plausible. Sur une archive, vérifier une page sur vingt est le minimum qui rend la sortie utilisable comme preuve de quoi que ce soit, et garder les bitmaps est ce qui la rend corrigible plus tard.

Du texte brut : pas de titres, pas de colonnes, pas de tableaux, pas de positions sur la page. Une lettre ou un mémo à une seule colonne revient en ordre et se lit correctement, ce qui couvre une bonne part de ce qui dort dans une archive documentaire.

Tout ce qui est structuré se dégrade. Une page à deux colonnes peut revenir avec les colonnes entrelacées, parce que le reconnaisseur lit à travers des lignes qui ressemblent à des lignes. Un formulaire perd la connexion entre une étiquette et la valeur à côté, et un tableau devient une suite de nombres sans indication de la colonne dont ils viennent. Pour ceux-là, prévoyez de retravailler le résultat ou de les traiter page par page.

Tesseract récupère normalement trois choses depuis un CDN tiers : son script worker, son cœur WebAssembly et le modèle de langue. Tel quel, ce sont trois requêtes vers quelqu’un d’autre portant votre adresse et l’URL de la page où vous êtes — sur un site dont l’argument entier est que le document ne regarde personne d’autre.

Les trois sont servis depuis cette origine à la place, et un test échoue si une URL de CDN réapparaît jamais. Le bitmap lui-même n’allait nulle part de toute façon ; le point est qu’une personne qui lit un bulletin de paie ou un dossier médical ne devrait pas voir le fait de cette lecture annoncé à un tiers comme effet de bord de l’outillage.

Déposez le dossier. Chaque fichier est reconnu à tour de rôle et les résultats reviennent ensemble, en gardant les noms d’origine avec l’extension changée. Le moteur est démarré une fois pour la langue choisie et conservé entre les fichiers, donc un lot de quarante paie le démarrage de quelques secondes une seule fois plutôt que quarante fois.

Cela reste la chose la plus lente du site de loin, et le plafond de 100 Mo par fichier — environ 33 mégapixels de bitmap — n’est pas la contrainte. Le temps l’est. Lancez une grosse archive, laissez-la tourner, et vérifiez les premiers résultats avant de partir : une heure de reconnaissance dans la mauvaise langue est une heure passée deux fois.

Si les numérisations sont lisibles mais que le livrable est un document plutôt qu’une transcription, convertir les bitmaps en PDF et garder les images est en général ce que le destinataire voulait — l’extraction de texte ne compte que si quelqu’un doit chercher ou réutiliser les mots.

Et si la reconnaissance revient médiocre sur les premières pages, la conclusion honnête est souvent que l’archive n’est pas assez bonne pour être lue automatiquement. Un fax en noir et blanc à 200 dpi d’une copie carbone a un plafond qu’aucun outil ne franchit. Le savoir après cinq pages plutôt qu’après cinq cents est la chose la plus utile que cette page peut offrir.