Travailler avec les PDF arabes

Vous ouvrez un contrat arabe, vous sélectionnez un paragraphe, vous le copiez et vous le collez dans un e-mail. Ce qui apparaît est une série de lettres déconnectées — ou les bonnes lettres mais dans le mauvais ordre, ou une chaîne de caractères qui semble presque correcte et ne l'est pas. Le PDF s'affiche parfaitement. Au moment où vous essayez d'en extraire le texte, il se désagrège. Ce n'est pas votre logiciel qui est défectueux. C'est un problème intrinsèquement difficile qui apparaît.

Pourquoi l'arabe est plus complexe que l'alphabet latin

L'anglais ne demande pas grand-chose à un système de texte : les lettres sont alignées, de gauche à droite, et ont la même forme où qu'elles apparaissent. L'arabe en exige beaucoup plus, et chacune de ces caractéristiques est une source d'erreurs pour les outils :

• C'est cursif par nature. Les lettres se joignent. Ce n'est pas décoratif — c'est ainsi que fonctionne l'écriture.
• Les lettres changent de forme selon leur position. Une seule lettre peut avoir jusqu'à quatre formes : seule, au début d'un mot, au milieu ou à la fin. Même lettre, même signification, quatre dessins différents.
• Il s'écrit de droite à gauche — mais tout ne le fait pas. Les chiffres et les mots latins intégrés s'écrivent de gauche à droite à l'intérieur du texte de droite à gauche.
• Les diacritiques sont optionnels et significatifs. Les marques de voyelles courtes peuvent être présentes ou absentes, et elles modifient la lecture.

Ainsi, afficher l'arabe correctement nécessite que le moteur de rendu sélectionne la bonne forme pour chaque lettre en fonction de ses voisins, puis qu'il dispose les séquences à direction mixte de manière cohérente. Les deux étapes sont sources de problèmes.

Le façonnage et pourquoi le copier-coller échoue

Voici le mécanisme, car le connaître explique chaque symptôme que vous rencontrerez.

Le texte est stocké dans un ordre logique — l'ordre où vous le diriez. Avant de dessiner, le logiciel applique le façonnage (shaping) : en choisissant la forme positionnelle correcte pour chaque lettre, et le bidi (l'algorithme bidirectionnel), qui détermine comment les séquences de droite à gauche et de gauche à droite s'entremêlent sur la ligne.

Un PDF, cependant, ne stocke pas votre phrase. Il stocke des glyphes — des indices dans une police — plus des positions. Le façonnage a déjà eu lieu et est intégré. Pour copier le texte à nouveau, le lecteur a besoin d'une carte du glyphe au caractère, que le fichier peut inclure sous forme de table ToUnicode. Et c'est là tout le problème :

• Pas de carte, pas de texte. Si le générateur n'en a pas inclus, l'extraction fournit des numéros de glyphes, et non des lettres. Vous obtenez une suite de caractères qui s'affiche correctement mais qui ne signifie rien.
• Une mauvaise cartographie. Certains générateurs mappent les glyphes vers des formes de présentation — un bloc Unicode hérité qui conserve chaque variante pré-façonnée séparément. Le texte extrait de cette manière semble correct à l'écran, mais ce n'est pas de l'arabe normal : une recherche ne le trouvera pas, et d'autres logiciels ne pourront pas le gérer correctement.
• Ordre perdu. Si le fichier stocke les glyphes dans un ordre visuel sans fournir l'information pour l'inverser, vous obtenez des lettres dans l'ordre de dessin plutôt que l'ordre de lecture — le fameux collage « à rebours ».
• Jointures rompues. L'extraction qui récupère des lettres isolées sans leurs connexions produit cette ligne de caractères déconnectés, chacun étant individuellement correct.

Veuillez noter ce qui suit : si la copie de l'arabe à partir d'un PDF est correcte dépend du programme qui a généré le fichier, souvent il y a des années. Aucun lecteur ne peut récupérer toutes les informations que le générateur a supprimées.

Ce que vous pouvez faire face à un fichier qui refuse de donner son texte

1. Essayez d'extraire en premier. Si le document a été créé par un générateur compétent, le texte est présent et se copie proprement. Cela vaut toujours trente secondes avant toute autre démarche plus lourde.
2. Essayez un lecteur différent. Les lecteurs diffèrent dans la manière dont ils inversent le façonnage et gèrent le bidi. Un fichier qui colle mal depuis un lecteur peut coller correctement depuis un autre.
3. S'il s'agit d'un scan, ce n'était jamais du texte. Alors aucune quantité de copier-coller ne fonctionnera, et l'OCR est la seule solution — voir ci-dessous.
4. Si l'extraction donne des formulaires de présentation, vous avez du texte, mais un type peu naturel. Il pourrait nécessiter une normalisation avant d'être interrogeable avec le texte arabe ordinaire.

OCR Arabe : plus difficile, et il faut l'admettre

Lorsque le document est un scan, la reconnaissance est la seule voie — et elle est nettement plus difficile pour l'arabe que pour l'anglais. Chaque caractéristique ci-dessus travaille contre le moteur : les lettres se connectent, il n'y a donc pas d'espace net à couper entre les caractères ; les formes varient selon la position, multipliant ce qui doit être reconnu ; des points au-dessus et en dessous distinguent des lettres autrement identiques, de sorte qu'un grain de bruit de scanner peut changer le mot ; les diacritiques peuvent ou non être présents.

Les conséquences pratiques méritent d'être énoncées clairement :

• La qualité du scan est encore plus importante que d'habitude. 300 dpi, contraste élevé, droit. Avec l'arabe, un scan médiocre ne se dégrade pas avec grâce.
• Utilisez le modèle arabe. OCR Arabe — un modèle anglais sur du texte arabe ne produit rien d'utile.
• Prévoyez de faire des corrections. L'arabe imprimé propre donne de bons résultats. Bon n'est pas parfait, et les erreurs ont tendance à être des différences de point unique qui changent le sens plutôt que des absurdités évidentes.
• L'écriture manuscrite est exclu. Ce n'est pas un cas d'utilisation pris en charge dans aucune langue, et encore moins pour l'arabe.

L'OCR s'exécute sur votre propre appareil et fait partie de CyvoDocOps Pro ; comme Pro est acheté via l'App Store ou Google Play plutôt que sur le web, les outils OCR sont intégrés à l'application mobile. Pour des informations générales sur le fonctionnement de la reconnaissance, veuillez consulter comment rendre un PDF scanné consultable.

Cachets et annotations dans les documents RTL

Les documents commerciaux arabes reposent beaucoup plus sur des cachets et des sceaux que les documents occidentaux — approbations, reçus, endorsements officiels. Leur ajout à un PDF présente ses propres difficultés : le texte à l'intérieur du cachet doit avoir une mise en forme correcte, et les conventions de placement suivent la direction de lecture, un cachet qui semble naturel sur une page de gauche à droite peut être mal placé sur une page de droite à gauche.

Cachets arabes gère la mise en forme pour que le texte s'affiche comme un arabe joint plutôt qu'une ligne de lettres séparées — c'est le mode d'échec obtenu avec des outils qui traitent l'arabe comme s'il s'agissait du latin avec différents caractères. Des outils connexes tels que les cachets de date et les initiales suivent le même modèle.

Habitudes pratiques pour les documents arabes

• Conservez la source. L'original provenant du logiciel qui l'a créé donnera toujours un meilleur texte que tout ce qui est récupéré plus tard.
• Testez l'extraction avant de vous engager. Si un flux de travail dépend de la recherche dans des PDF arabes, vérifiez que le texte sort réellement d'un échantillon avant de construire votre processus autour de celui-ci.
• Préférez le texte réel aux scans. Un PDF arabe né numérique bat toujours un scan. Ne numérisez que si le papier est la seule source disponible.
• Contenu mixte de langues. Les documents combinant l'arabe avec des termes anglais, des numéros de facture et des dates sont les endroits où les problèmes bidi se concentrent. Vérifiez ces lignes en particulier.
• Ne vous fiez pas à l'apparence. Un fichier qui s'affiche joliment peut toujours être un scan, ou contenir une couche de texte inutilisable. Essayez de sélectionner un mot — si rien ne se surligne, c'est une image.

Pourquoi le traitement local est important ici

Les documents en langue arabe nécessitant ce type de travail sont généralement des documents officiels : contrats, papiers gouvernementaux, enregistrements commerciaux, pièces d'identité, dossiers notariés. C'est précisément la catégorie où le téléchargement vers un service tiers est le moins approprié — et où « nous supprimons après une heure » est une promesse que vous ne pouvez pas auditer. Dans CyvoDocOps, les opérations prises en charge s'exécutent localement dans votre navigateur, et l'OCR sur l'appareil de l'application mobile traite les scans sans les envoyer nulle part. Consultez les outils PDF arabes pour ce qui est disponible.

Voir les outils PDF arabes

Guides et outils connexes