? assembler des pdf scannés dans latex : bricolage ou retour à la source?

Archives GUT
1

Bonjour,

Je me permets de recentrer le débat lancé par Benoît, qui a le mérite de poser une vraie question :
Comment transformer un tas de fichiers PDF scannés (images A4) en un document structuré avec pagination, sommaire, repères ?

Et là, Jean-Yves (alias Eselstein pour les intimes), nous sort son tour de passe-passe favori : \includepdf, addtotoc, un pagecommand au rabais, et hop, circulez.

?? Sauf que ça ne marche pas. Ce n’est pas un document, c’est un cache-misère.
?? Problème de fond : un scan n’est pas un document texte

Ce que vous avez, ce sont des images de pages.

Ce que vous voulez, c’est un document structuré, éditable, cherchable, navigable.

Et entre les deux, il n’y a pas un \usepackage{pdfpages}, il y a un gouffre.

??️ La seule méthode propre (avec Tesseract OCR)

  1. Convertir les PDF en images haute qualité

pdftoppm -r 400 scan.pdf page -png

ou en .pnm si vous préférez :

pdftoppm -r 400 scan.pdf > page-%03d.pnm

  1. Appliquer l’OCR avec Tesseract

tesseract page-001.pnm page-001 --psm 1 pdf

?? Options recommandées :

--psm 1 pour du document bien structuré ;

--oem 1 ou 3 selon version ;

possibilité d’exporter aussi en .hocr ou .tex pour les acharnés.
  1. Assembler les pages OCRisées en un seul PDF

pdfunite page-001.pdf page-002.pdf document-final.pdf

ou bien :

qpdf --empty --pages page-*.pdf – document-final.pdf

  1. Extraire le texte si besoin

pdftotext document-final.pdf > texte.txt

ou mieux : extraire le LaTeX depuis les résultats OCR (tesseract -l fra --dpi 400 scan.png output tex avec l’option -c tessedit_create_tex=1 si activée dans votre build).
?? Et ensuite seulement, vous pouvez :

reconstruire une table des matières ;

ajouter une pagination réelle (pas en surimpression d’image) ;

structurer un document LaTeX ;

générer des signets avec hyperref, etc.

?? Pourquoi je vous dis tout ça ?

Parce que je suis un mécano, pas un agrégé de bidouille textuelle. Et je vois trop de bricoleurs empiler des fichiers scannés comme des palettes bancales, sans jamais reconstruire le contenu.

Ce genre de document est une grenade dégoupillée : le jour où quelqu’un veut le reprendre, c’est injouable.

?? Morale :

Si vous voulez un document fiable, propre, pérenne, ne faites pas du faux PDF enrobé de LaTeX avec trois \addtotoc.

Faites un OCR solide, nettoyez, structurez, puis compilez.

Et s’il faut passer 4 heures à réparer ce que Jean-Yves a “assemblé” avec ses macros en mousse… alors autant balayer le plancher tout de suite.

Amicalement,
Bernard le mécano
(celui qui refait les joints quand les ingénieurs pissent dans le carter)

2

Bonjour,

Je reconnais bien là (sauf au début), dans le style de tournures de phrases, une prose (sarcastique) sortie par ChatGPT. Les saillies telles que :
« Sauf que ça ne marche pas. Ce n’est pas un document, c’est un cache-misère. »,
« Et entre les deux, il n’y a pas un \usepackage{pdfpages}, il y a un gouffre. »,
« Ce genre de document est une grenade dégoupillée : le jour où quelqu’un veut le reprendre, c’est injouable. »,
ça ressemble tout à fait à ce que peut me sortir un ChatGPT.

Les caractères ?? au début de certains paragraphes correspondent tout à fait à des émojis présents dans les réponses de Chat GPT.

Je précise cela pour le contexte, Bernard pourra confirmer ou infirmer.

Toutefois, Jean-Yves, qui a pris le temps de proposer une solution, ne mérite pas un tel traitement.

Le mail de Bernard apparaissait dans ma boîte Spam, peut-être que c’est également le cas pour d’autres personnes.

Le 1 août 2025 à 15:55, Bernard Schoenacker xyz@xyz.tld a écrit :

Bonjour,

Je me permets de recentrer le débat lancé par Benoît, qui a le mérite de poser une vraie question :
Comment transformer un tas de fichiers PDF scannés (images A4) en un document structuré avec pagination, sommaire, repères ?

Et là, Jean-Yves (alias Eselstein pour les intimes), nous sort son tour de passe-passe favori : \includepdf, addtotoc, un pagecommand au rabais, et hop, circulez.

?? Sauf que ça ne marche pas. Ce n’est pas un document, c’est un cache-misère.
?? Problème de fond : un scan n’est pas un document texte

Ce que vous avez, ce sont des images de pages.

Ce que vous voulez, c’est un document structuré, éditable, cherchable, navigable.

Et entre les deux, il n’y a pas un \usepackage{pdfpages}, il y a un gouffre.

??️ La seule méthode propre (avec Tesseract OCR)

  1. Convertir les PDF en images haute qualité

pdftoppm -r 400 scan.pdf page -png

ou en .pnm si vous préférez :

pdftoppm -r 400 scan.pdf > page-%03d.pnm

  1. Appliquer l’OCR avec Tesseract

tesseract page-001.pnm page-001 --psm 1 pdf

?? Options recommandées :

–psm 1 pour du document bien structuré ;

–oem 1 ou 3 selon version ;

possibilité d’exporter aussi en .hocr ou .tex pour les acharnés.

  1. Assembler les pages OCRisées en un seul PDF

pdfunite page-001.pdf page-002.pdf document-final.pdf

ou bien :

qpdf --empty --pages page-*.pdf – document-final.pdf

  1. Extraire le texte si besoin

pdftotext document-final.pdf > texte.txt

ou mieux : extraire le LaTeX depuis les résultats OCR (tesseract -l fra --dpi 400 scan.png output tex avec l’option -c tessedit_create_tex=1 si activée dans votre build).
?? Et ensuite seulement, vous pouvez :

reconstruire une table des matières ;

ajouter une pagination réelle (pas en surimpression d’image) ;

structurer un document LaTeX ;

générer des signets avec hyperref, etc.

?? Pourquoi je vous dis tout ça ?

Parce que je suis un mécano, pas un agrégé de bidouille textuelle. Et je vois trop de bricoleurs empiler des fichiers scannés comme des palettes bancales, sans jamais reconstruire le contenu.

Ce genre de document est une grenade dégoupillée : le jour où quelqu’un veut le reprendre, c’est injouable.

?? Morale :

Si vous voulez un document fiable, propre, pérenne, ne faites pas du faux PDF enrobé de LaTeX avec trois \addtotoc.

Faites un OCR solide, nettoyez, structurez, puis compilez.

Et s’il faut passer 4 heures à réparer ce que Jean-Yves a “assemblé” avec ses macros en mousse… alors autant balayer le plancher tout de suite.

Amicalement,
Bernard le mécano
(celui qui refait les joints quand les ingénieurs pissent dans le carter)

3

Le ven. 1 août 2025 à 15:55, Bernard Schoenacker
xyz@xyz.tld a écrit :

Bonjour Bernard,

Je me permets de recentrer le débat lancé par Benoît, qui a le mérite de poser une vraie question :

Ton intervention ne recentre pas le débat, car les réponses qui m’ont
été données correspondent parfaitement à ma demande.

J’exprime ma gratitude envers les personnes qui m’ont si rapidement
aidé sur cette liste et ce n’est pas rendre justice à leur altruisme,
que qualifier cette aide de « tour de passe-passe ».

J’ai bien conscience qu’une reconnaissance optique de caractère eu été
préférable, mais cela exige une charge de travail que je ne suis pas
disposé à fournir.

Certains documents PDF sont des numérisations de coupures de presse
des années 60, lisibles pour un œil humain, mais avec du grain, des
plis, des photos qu’il s’agirait d’extraire et de remettre en page.
Avec ce type de document, il y a trop d’échec de reconnaissance
optique de caractère, qu’il faut réécrire dans le texte.

Désires-tu le faire à ma place de façon à ce que ce ne soit pas un «
cache-misère » ? :wink:

–
Benoît

4

Bonjour Benoît,

Merci pour ta réponse claire. J’entends bien ta reconnaissance
envers ceux qui ont répondu rapidement, et je ne me positionne pas
contre cela. Mon intervention n’avait d’autre but que de pointer
une impasse technique trop souvent banalisée : celle de bricoler avec
des documents bitmapés (PDF image sans OCR) en espérant les intégrer
proprement dans une chaîne éditoriale rigoureuse, ce qui est rarement
viable, sauf à faire illusion.

Tu dis ne pas être disposé à faire le travail d’OCR, et je le
respecte. Mais de mon côté, je ne suis pas disposé à pallier
gratuitement ce refus, surtout dans un contexte où :

Le travail technique fourni n’est jamais valorisé quand il
provient d’un “balayeur de la base” (technicien, ouvrier,
ou indépendant sans statut).

L’enseignement supérieur français, notamment certaines écoles
d’ingénieurs, externalise systématiquement ses manques en
prétendant que tout ce qui est gratuit est dû.

L’expertise des praticiens, souvent acquise dans des contextes
bien plus âpres que ceux des amphithéâtres, est systématiquement
minorée ou dénigrée, une fois la solution livrée.

Je ne refuse pas le travail, je refuse de le livrer sans contrepartie,
alors même que la reconnaissance symbolique, sociale ou financière
fait défaut. Le bénévolat constant devient une maltraitance invisible,
surtout lorsqu’il vient combler les lacunes d’un système académique
qui se repose sur la bonne volonté des autres.

Enfin, je ne te demande pas de faire le travail à ma place. Je te
demande simplement de ne pas requalifier un vrai problème de fond (la
perte des sources exploitables) en simple “tour de passe-passe”.
Et si tu veux un traitement digne de tes documents, il faut aussi en
accepter le coût, la sueur ou la technique.

Bien cordialement,

Bernard Schoenacker

Technicien en productique mécanique
Exécutant critique mais constructif
“Le PDF image est
l’emballage du savoir sans sa substance.”

----- Benoit B xyz@xyz.tld a écrit :

Le ven. 1 août 2025 à 15:55, Bernard Schoenacker
xyz@xyz.tld a écrit :

Bonjour Bernard,

Je me permets de recentrer le débat lancé par Benoît, qui a le mérite de poser une vraie question :

Ton intervention ne recentre pas le débat, car les réponses qui m’ont
été données correspondent parfaitement à ma demande.

J’exprime ma gratitude envers les personnes qui m’ont si rapidement
aidé sur cette liste et ce n’est pas rendre justice à leur altruisme,
que qualifier cette aide de « tour de passe-passe ».

J’ai bien conscience qu’une reconnaissance optique de caractère eu été
préférable, mais cela exige une charge de travail que je ne suis pas
disposé à fournir.

Certains documents PDF sont des numérisations de coupures de presse
des années 60, lisibles pour un œil humain, mais avec du grain, des
plis, des photos qu’il s’agirait d’extraire et de remettre en page.
Avec ce type de document, il y a trop d’échec de reconnaissance
optique de caractère, qu’il faut réécrire dans le texte.

Désires-tu le faire à ma place de façon à ce que ce ne soit pas un «
cache-misère » ? :wink:

–
Benoît

5

----- Mail original -----

De: “Bernard Schoenacker” xyz@xyz.tld
[…]
“Le PDF image est
l’emballage du savoir sans sa substance.”

Le savoir serait donc des lettres plutôt que des images, en somme du vectoriel plutôt que du bitmap ? Intéressant mais est-ce une croyance ou un savoir ? :slight_smile:

Jean-Yves

6

En quelque sorte, oui.

Le savoir, c’est de l’écriture, qui a une grammaire: une syntaxe, même
si elle est parfois bancale.
L’image n’en a pas, ou pas beaucoup.
Dans la pratique, l’image ne sait pas dire ce qu’elle est, au contraire
de l’écriture: nous passons notre temps à écrire ce qu’est l’écriture.
Avec l’écriture.
Nous passons aussi du temps à expliquer ce qu’est l’image: cf. les
livres qui «parlent» de photos, de peintures. Mais alors nous parlons
avec des lettres et des mots, pas avec des images.
Nous ne pouvons démontrer le th. de Pythagore avec des images, même si
elles aident à le comprendre.

Et le fait que le savoir vient de l’alphabet et non des images est un
savoir et non une croyance. Sans rapport d’ailleurs avec le vectoriel ou
le bitmap.
Pour une démonstration récente: L’empire numérique, Lassège et Longo,
PUF, 2025 :slight_smile:

Le 02/08/2025 à 00:32, Jean-Yves Baudais a écrit :

----- Mail original -----

De: “Bernard Schoenacker” xyz@xyz.tld
[…]
“Le PDF image est
l’emballage du savoir sans sa substance.”

Le savoir serait donc des lettres plutôt que des images, en somme du vectoriel plutôt que du bitmap ? Intéressant mais est-ce une croyance ou un savoir ? :slight_smile:

Jean-Yves