Convertir TIFF en TXT

Presque rien n’arrive en TIFF par accident. Cela vient d’un scanner, d’un système de gestion documentaire, d’un service d’archives, d’un fax — et c’est en général de la paperasse : contrats, correspondance, sinistres, dossiers juridiques, dossiers médicaux, procès-verbaux.

Cela change la nature du travail. Personne n’essaie de recopier un paragraphe sur une image ; quelqu’un essaie de rendre un fonds de documents cherchable, ou de sortir du texte à citer d’une archive, ou d’extraire des chiffres d’une pile de formulaires. Le volume est plus élevé et la précision compte davantage.

Tout ce qui rend une photo de téléphone difficile est absent. La page est à plat contre la vitre, donc pas de perspective. L’éclairage est régulier, donc pas d’ombre sur le texte. La résolution est connue et constante. Et un scanner est mis au point à la bonne distance par construction.

La conséquence pratique, c’est que du texte imprimé propre scanné à 300 points par pouce sort presque parfait. C’est une attente réellement plus haute que ce que les pages de photos du site peuvent offrir, et c’est pourquoi le travail de reconnaissance en volume se fait à partir de scans plutôt qu’à partir de photos.

La résolution d’abord. En dessous d’environ 200 points par pouce, il n’y a pas assez de pixels par caractère et la précision s’effondre ; 300 points par pouce est la norme de travail et 600 vaut la peine pour les petites polices ou les originaux en mauvais état.

Puis l’original lui-même. Les fax sont le pire cas courant — faible résolution par construction, souvent plusieurs générations de copie en profondeur. Les carbones, le papier thermique qui a pâli, les documents avec des tampons ou de l’écriture manuscrite par-dessus l’imprimé, et les faces de machine à écrire aux caractères abîmés produisent tous des erreurs. Idem pour un scan sorti de travers, qu’il vaut mieux redresser avant la reconnaissance qu’après.

Un scanner produit fréquemment un seul TIFF contenant toutes les pages d’un document. Seule la première image du fichier est lue, et il n’y a pas de contrôle de page pour passer au-delà, si bien qu’un scan de dix pages ne rend que le texte de la première et rien d’autre. Rien n’annonce les neuf autres — la sortie s’arrête, tout simplement.

Sur des documents scannés page par page, cela ne coûte rien. Sur un dossier, c’est le moment où la réponse honnête est qu’il faut séparer les pages avant qu’elles n’arrivent ici, par le scanner ou par le système d’archives qui a écrit le TIFF. Cette page est pour les documents que vous avez réellement besoin de lire maintenant, pas pour numériser un fonds de classeurs.

La reconnaissance compare des formes à des graphies. Elle ne comprend pas le document et elle ne peut pas dire où elle a hésité, si bien que ce qui revient est un texte fluide et complet qui peut contenir des erreurs que personne n’a marquées.

Dans un travail d’archives, cela compte plus que d’habitude. Un chiffre mal lu dans un numéro de police, une date, un montant ou une référence de dossier est exactement l’erreur qui survit à une lecture rapide et qui cause un vrai problème plus tard. Tout ce qui va dans un système, un dossier ou une citation mérite d’être vérifié en regard de la page dont il vient.

Pour une archive, le texte brut jette ce qui fait qu’un scan mérite d’être gardé : l’image de la page, qui est la pièce. Un PDF cherchable conserve cette image et place une couche de texte derrière, si bien que le document ressemble encore à lui-même, s’imprime encore comme lui-même, et peut être cherché et copié.

Le texte brut est la bonne sortie quand on veut les mots comme mots — à citer, à indexer, à verser dans quelque chose, à compter. Cela vaut la peine de décider lequel des deux on a réellement besoin avant de convertir cent fichiers, parce que les deux chaînes divergent tout de suite.

La reconnaissance se passe dans l’onglet du navigateur sur votre propre processeur. Rien n’est téléversé, si bien qu’il n’y a pas de copie serveur, pas de période de rétention à demander, pas de compte, pas de plafond journalier.

Vu ce qui se trouve en général dans ces fichiers — contrats signés, dossiers patients, actes de procédure, déclarations de sinistre — c’est la différence substantielle avec un service hébergé plutôt qu’une ligne parmi les fonctions. Cela évite aussi la question embarrassante de savoir si envoyer les documents d’un client à un tiers demandait la permission de quiconque.

Le reconnaisseur tourne fichier par fichier, et la sortie d’une pile est la concaténation des résultats. Le tout peut prendre un moment sur un grand dossier, parce que la reconnaissance est le moteur le plus lent du site par une marge nette — plusieurs secondes par page, davantage sur un scan à haute résolution.

Pour une archive entière, l’attente est en général négligeable devant la valeur de disposer du texte : pouvoir chercher dans le fonds, indexer, extraire des citations, compter. Sur un ou deux documents, l’attente peut sembler disproportionnée — et la bonne réponse est alors la question de savoir si une autre voie (un logiciel avec un meilleur OCR pour le cas particulier, ou simplement lire la page) ne serait pas plus rapide.