Tesseract OCR : lire un scan en local (guide français)

#Ce qu'est Tesseract, et ce qu'il n'est pas

Tesseract est un moteur de reconnaissance optique de caractères, développé depuis les années 1980 et libéré sous licence Apache. Depuis sa quatrième version, il reconnaît les lignes de texte avec un réseau de neurones récurrent plutôt que caractère par caractère, ce qui a nettement amélioré sa précision sur les documents ordinaires.

Ce qu'il n'est pas : un outil de compréhension de documents. Il rend du texte, éventuellement avec des positions. Il ne dit pas qu'un bloc est un titre, ne reconstruit pas un tableau en lignes et colonnes, et ne comprend pas ce qu'il lit. Pour un document structuré, l'OCR n'est qu'une brique parmi d'autres.

#Le français : le fichier de langue

Par défaut, Tesseract lit l'anglais. Sur un document français, cela se traduit par des accents perdus et des mots approximatifs — et beaucoup de gens en concluent que le moteur est mauvais. Il faut installer le fichier de données de la langue et le demander explicitement à l'exécution.

# Debian/Ubuntu : installer les données françaises
sudo apt install tesseract-ocr tesseract-ocr-fra

# Reconnaître une image en français, sortie texte
tesseract scan.png sortie -l fra

# Plusieurs langues dans le même document
tesseract scan.png sortie -l fra+eng

#La qualité de l'image fait tout

C'est le point que l'on découvre toujours trop tard : sur un scan médiocre, aucun réglage ne sauve le résultat, alors qu'un prétraitement de dix lignes transforme un texte illisible en texte propre.

Résolution

Environ 300 points par pouce est la cible. En dessous de 200, la précision s'effondre ; bien au-dessus, on ralentit sans gagner.

Redressement

Une page penchée de deux degrés coûte plus de précision que n'importe quel réglage du moteur.

Contraste et binarisation

Un texte gris clair sur fond gris doit devenir noir sur blanc avant d'arriver au moteur.

Découpage

Retirer les bords noirs de scan et les marges parasites évite des caractères fantômes.

#Les deux réglages qui changent le résultat

Le mode de segmentation est le réglage que l'on oublie le plus souvent. Sur une image contenant une seule ligne de texte, le moteur cherche par défaut une mise en page complète et rend parfois une chaîne vide : lui dire qu'il s'agit d'une ligne unique suffit à corriger.

#Tesseract ou un modèle de vision

Cette dernière ligne est décisive pour tout contrôle documentaire : Tesseract produit des erreurs visibles — des caractères aberrants — là où un modèle de vision peut produire un nombre parfaitement formé et faux. Sur des pièces comptables ou administratives, c'est une différence de nature, pas de degré.

• Les modèles multimodaux locaux, ce qu'ils savent lire
• Extraire les données d'une facture : la chaîne complète
• Convertir des documents structurés avec Docling

#L'insérer dans une chaîne locale

Dans une installation documentaire locale, Tesseract intervient à un seul endroit : juste avant l'indexation, sur les documents dépourvus de couche de texte. Le test à automatiser est simple — si l'extraction de texte d'un PDF rend moins de quelques dizaines de caractères par page, c'est un scan, et il part à l'OCR. Sans ce test, des documents entiers entrent silencieusement vides dans l'index, et personne ne s'en aperçoit avant qu'un utilisateur ne s'étonne.

#FAQ