Détecteur de PDF Scanné ou Consultable

Pourquoi « ce PDF contient-il du texte ? » est la mauvaise question

Un PDF peut être consultable en page un et être une photographie en page deux. La vérification habituelle — extraire du texte, en trouver, conclure — se trompe dans les deux cas, et se trompe aussi dans le cas le plus fréquent : un scan déjà passé par un OCR, réellement consultable alors que chaque pixel visible est une image.

Ce détecteur travaille page par page et rassemble six signaux indépendants avant de se prononcer :

• Le texte extrait — combien de mots et de caractères un extracteur récupère réellement.
• Les modes de rendu du texte — les glyphes tracés dans le mode 3 sont invisibles. C'est exactement ainsi qu'un logiciel d'OCR écrit les mots reconnus par-dessus un scan, et c'est le seul moyen fiable de distinguer un scan océrisé d'une page native.
• Les images tracées — où chaque image se pose et quelle fraction de la page elle couvre.
• Le DPI effectif et la profondeur de bits — une image 1 bit compressée en CCITT ou JBIG2 est une sortie de scanner, pas une photo ni un logo.
• Les tracés vectoriels — une page composée par un traitement de texte comporte presque toujours des filets, des cadres ou des traits. Un scan nu n'en a aucun.

Ce que vous obtenez

Chaque page est étiquetée texte natif, image scannée, scan + couche OCR, mixte ou vide, avec un niveau de confiance et — c'est là l'essentiel — la liste des faits qui ont produit l'étiquette. Si un verdict vous semble faux, vous voyez précisément quel signal l'a déterminé.

Le résumé du document répond à la question que vous vous posiez : est-il consultable de bout en bout et, sinon, quelles pages doivent passer par un OCR ? Exportez le rapport complet en CSV ou JSON pour votre chaîne d'archivage.

Limites

Rien dans un PDF ne déclare « je suis un scan » : il s'agit donc d'une déduction. Une page dont le texte a été vectorisé n'a plus d'objets texte et ressemble trait pour trait à un scan. Un scan doté d'une mauvaise couche OCR est techniquement consultable mais pratiquement inutile. Les deux cas sont rapportés avec leurs preuves plutôt qu'avec une supposition à l'air assuré.

Confidentialité

Le fichier ne quitte jamais votre ordinateur. Analyse, rendu, miniatures et rapport : tout s'exécute dans votre navigateur.