Pourquoi les PDF scannés sont si lourds

Une lettre de cinq pages tapée dans un traitement de texte puis exportée en PDF fait généralement moins de 200 Ko. Ces mêmes cinq pages, imprimées, signées puis renumérisées, atteignent sans effort 15 Mo — soixante-quinze fois plus pour un document contenant exactement les mêmes mots. Rien n'a mal tourné ; simplement, les deux fichiers ne sont pas le même type d'objet. L'un contient des instructions de texte et une police. L'autre contient cinq photographies de papier. Dès que vous voyez un scan comme un album photo et non comme un document, tout son comportement devient prévisible : pourquoi il est énorme, pourquoi vous ne pouvez pas y faire de recherche, pourquoi le convertir en Word ne donne rien et pourquoi il se compresse mieux que n'importe quel autre fichier que vous possédez.

D'où viennent les mégaoctets

Trois réglages du scanner se multiplient entre eux. Le premier est la résolution : une page A4 à 300 points par pouce représente environ 2480 sur 3508 pixels, soit près de 8,7 millions. Montez à 600 ppp et vous approchez les 35 millions — quatre fois plus de données pour un détail qu'aucun écran ne montrera et dont aucune imprimante n'a besoin pour du texte ordinaire. Le deuxième est la profondeur de couleur : la couleur complète stocke trois valeurs par pixel, les niveaux de gris une seule, et le noir et blanc pur un unique bit. Numériser en couleur une page d'encre noire sur papier blanc triple donc les données brutes avant compression, et ne vous rend rien sinon une teinte beige pâle là où se trouvait le papier. Le troisième est l'encodage choisi par le scanner : s'il stocke les pages sans perte, chaque grain de poussière et chaque fibre du papier sont préservés octet par octet, et le bruit du papier lui-même devient une part importante de votre fichier.

Ce que coûte la texture du papier

Ce dernier point surprend. La compression fonctionne en trouvant des répétitions, et un aplat de blanc propre se comprime jusqu'à presque rien. Mais une page blanche numérisée n'est pas blanche : ce sont des milliers de valeurs presque blanches légèrement différentes, produites par le grain du papier, les variations de la lampe et le bruit du capteur. Pour un compresseur sans perte, ce champ est un détail imprévisible qui doit être conservé exactement, si bien qu'une page vierge coûte de vrais mégaoctets. Numériser en niveaux de gris plutôt qu'en couleur aide, et numériser dans le mode texte ou détramage que proposent la plupart des pilotes aide davantage, car ces modes ramènent les valeurs quasi blanches au blanc avant même l'encodage de la page. Si vous vous êtes déjà demandé pourquoi le scan d'une feuille vide pèse plus qu'un document texte de quarante pages, la voilà, la raison.

Pourquoi la recherche et la conversion échouent

Une page numérisée ne contient aucune couche de texte. Ni glyphes, ni codes de caractères — seulement des pixels en forme de lettres. La recherche de votre lecteur ne trouve rien, le bouton copier ne sélectionne rien, et un convertisseur PDF vers Word produit honnêtement un document vide. Le seul moyen d'ajouter du texte est la reconnaissance optique de caractères, qui examine les pixels et devine des caractères. L'OCR moderne est bon sur des pages imprimées, propres et droites, et peu fiable sur l'écriture manuscrite, les copies pâles, les tampons, les tableaux et tout ce qui est photographié de biais. Il échoue en outre en silence : un caractère faux mais assuré ressemble exactement à un caractère juste, si bien que la sortie d'un OCR sur un document qui compte est un brouillon à relire, pas du texte récupéré.

Sauver un fichier qu'on vous a déjà envoyé

Vous ne pouvez généralement pas renumériser le document de quelqu'un d'autre, donc la solution pratique est le réencodage. C'est le cas où la compression brille, car un scan est de la donnée d'image pure et la donnée d'image est précisément ce qu'un compresseur sait refaire. Dans nos mesures, un document scanné de douze pages est passé de 17,69 Mo à 1,49 Mo — 91,6 pour cent — tout en restant parfaitement lisible à l'écran. Ce type de résultat est normal sur les scans et hors d'atteinte sur les documents textuels, qui n'ont rien de comparable à donner. Contrôlez le résultat en zoom réel et non en vignette, et regardez précisément les plus petites marques de la page : une signature, un tampon, une note de bas de page, une annotation manuscrite. Si elles survivent, le fichier est bon.

Bien faire dès le scanner

Quand le scan est le vôtre, les réglages qui comptent sont simples. Utilisez 300 ppp pour les documents que vous pourriez agrandir ou passer à l'OCR plus tard, et 200 ppp pour la paperasse quotidienne ; le 600 ppp est fait pour les photographies et les dessins fins, pas pour une facture signée. Utilisez les niveaux de gris sauf si la couleur porte de l'information : un tampon coloré, une clause surlignée, un graphique. Laissez le pilote enregistrer en JPEG dans le PDF plutôt qu'en sans perte s'il vous laisse le choix, et activez le redressement automatique et la suppression des pages blanches. L'appareil photo du téléphone est un scanner légitime dans l'urgence, mais photographiez la page à plat, sous une lumière régulière et en remplissant le cadre, et utilisez une application de numérisation qui corrige la perspective plutôt que l'appareil photo brut, car une page prise de biais met l'OCR en échec et fait négligé.

Quand la lourdeur est la bonne réponse

Tout scan volumineux n'est pas une erreur. La numérisation de manuscrits, de plans, d'imagerie médicale et de tout ce qui a une portée juridique se fait délibérément en haute résolution, en couleur et sans perte, précisément parce que l'information jetée aujourd'hui ne se récupère pas demain. La règle est de se demander qui lit le fichier et combien de temps il doit vivre. Un scan envoyé cet après-midi à un collègue doit être léger et lisible. Le scan d'un acte de propriété conservé trente ans doit être lourd et fidèle, et la copie que vous envoyez par courriel doit en être un dérivé compressé, pas l'archive elle-même. Garder les deux, quand le document le mérite, coûte un peu d'espace disque et règle la question définitivement.

Une façon rapide de diagnostiquer un fichier

Si vous ignorez quel type de PDF vous avez, deux tests de cinq secondes tranchent. Essayez de sélectionner une phrase avec le curseur : si toute la page se surligne d'un bloc, c'est une image et vous avez un scan. Comparez ensuite la taille au nombre de pages — un document dépassant environ un demi-mégaoctet par page est lourd en images à de rares exceptions près. Ces deux contrôles vous disent immédiatement si la compression aidera de façon spectaculaire, si l'extraction de texte fonctionnera seulement, et si vous devriez en réalité demander à l'expéditeur le fichier numérique d'origine, ce qui est très souvent la solution la plus rapide de toutes.