ForHosting KIT · OCR et extraction de données

PDF scanné ou texte natif

Sachez-le avant de payer une reconnaissance de texte : chaque PDF revient avec le verdict natif, scanné ou mixte et le détail page par page, pour que seules les pages-images passent par la reconnaissance et que le reste aille directement à l’extraction.

● Stablepar requête + par document$0.002

Lancer — $0.002 Voir l’API

Utilisez-le depuis WebAPIE-mailTelegramApp bientôt

Exécuter en ligne

Exécutez cette tâche sur nos serveurs, avec votre compte. Les outils gratuits tournent dans votre navigateur ; celui-ci est facturé sur votre solde KIT au prix affiché ci-dessus.

Avant de lancer un OCR, encore faut-il savoir si votre PDF en a besoin. Cette capacité analyse le fichier et indique s’il s’agit d’un document scanné, fait d’images, ou d’un PDF au texte natif déjà sélectionnable. Elle distingue aussi les cas mixtes, page par page, pour vous éviter un traitement inutile.

Pourquoi deux PDF identiques à l’œil peuvent tout changer

Un dossier de contrats ou de factures est presque toujours un mélange. Certains fichiers ont été exportés directement depuis un traitement de texte ou un logiciel comptable, avec une vraie couche de texte. D’autres sont des numérisations à plat, des fax ou des photos de papier glissées dans une enveloppe PDF. Le format PDF décrit des pages, pas du texte : il a toujours été possible de produire un PDF parfaitement valide qui n’est qu’une image, sans caractères, sans mots ni ordre de lecture. L’outil ouvre le fichier, cherche page par page une couche de texte extractible et mesure la part de chaque page occupée par des polices intégrées plutôt que par des images.

Comment utiliser le verdict et les erreurs à éviter

Le résultat dit si le document est natif, scanné ou mixte, avec un détail par page. Envoyez les fichiers natifs directement à l’extraction de texte, les fichiers scannés à la reconnaissance, et découpez les mixtes page par page. Deux erreurs coûtent cher. Lancer la reconnaissance sur un fichier déjà lisible, c’est payer pour un travail inutile. L’omettre sur un fichier scanné provoque des échecs silencieux : la recherche, l’indexation ou l’extraction ne renvoient rien, faute de texte à trouver. Placez donc ce contrôle juste après le dépôt du fichier, avant toute extraction ou indexation.

Image ou texte : la bonne question avant l’OCR

Deux PDF d’apparence identique peuvent être de nature opposée : l’un contient du vrai texte, sélectionnable et copiable ; l’autre n’est qu’une photo de page, où le texte n’est qu’un dessin. Un OCR n’a de sens que sur le second. La capacité tranche cette question en analysant le contenu réel du fichier, et vous dit lequel des deux vous avez en main, sans que vous ayez à l’ouvrir pour tenter de sélectionner du texte.

Le cas des PDF mixtes

Beaucoup de fichiers sont hybrides : quelques pages natives suivies d’annexes scannées, ou un document texte auquel on a ajouté une pièce photographiée. La capacité juge page par page et signale ces cas mixtes, plutôt que de coller une étiquette unique à tout le fichier. Vous savez alors précisément quelles pages relèvent d’un OCR et lesquelles portent déjà un texte exploitable tel quel.

Cas d’usage

Vérifier un lot avant OCR

Camille Moreau contrôle si un lot de PDF administratifs a besoin d’un OCR ou si leur texte est déjà sélectionnable, avant d’engager le moindre traitement.

Séparer factures textuelles et scans

Menuiserie Rousseau & Fils distingue les factures reçues en texte natif de celles qui ne sont que des scans, pour ne traiter que ce qui le nécessite.

Questions fréquentes

Comment la capacité fait-elle la différence ?

Elle analyse le contenu réel du fichier : un PDF natif renferme une couche de texte, un PDF scanné ne contient que des images de pages. La capacité repère laquelle des deux est présente.

Que renvoie-t-elle pour un PDF mixte ?

Elle le signale comme tel et indique la nature page par page, plutôt que de trancher pour l’ensemble du document. Vous savez quelles pages sont scannées et lesquelles sont natives.

Pourquoi vérifier avant de lancer un OCR ?

Pour ne pas payer un OCR sur des pages qui portent déjà un texte exploitable.

Le fichier est-il conservé ?

Non. Le transfert est chiffré, le PDF n’est analysé que le temps du contrôle, puis supprimé. Rien n’est archivé et personne ne le consulte.

Y a-t-il une limite de taille ou de pages ?

Oui, jusqu’à 25 Mo et 10 pages par document.

Outils associés

Pour les développeurs — accès API

Tout sur cette page est disponible par programmation. Cette section s'adresse aux équipes qui veulent l'intégrer à leurs systèmes ; les autres peuvent simplement utiliser l'outil ci-dessus.

Endpoint

POSThttps://api.kit.forhosting.com/ocr/scanned-or-native

Authentification par jeton Bearer : un seul POST met la tâche en file d’attente, et le résultat vous parvient par webhook ou lien signé.

Appeler depuis votre stack

curl -X POST https://api.kit.forhosting.com/ocr/scanned-or-native \
  -H "Authorization: Bearer $KIT_KEY" \
  -H "Content-Type: application/json" \
  -d '{"pdf":"https://example.com/document.pdf"}'

const res = await fetch("https://api.kit.forhosting.com/ocr/scanned-or-native", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.KIT_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    "pdf": "https://example.com/document.pdf"
  })
});
const { task_id } = await res.json();

import os, requests

res = requests.post(
    "https://api.kit.forhosting.com/ocr/scanned-or-native",
    headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
    json={
    "pdf": "https://example.com/document.pdf"
},
)
task_id = res.json()["task_id"]

<?php
$res = file_get_contents("https://api.kit.forhosting.com/ocr/scanned-or-native", false, stream_context_create([
  "http" => [
    "method"  => "POST",
    "header"  => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
    "content" => '{"pdf":"https://example.com/document.pdf"}',
  ],
]));
$task = json_decode($res, true);

body := bytes.NewBufferString(`{"pdf":"https://example.com/document.pdf"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/ocr/scanned-or-native", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)

Exemple de requête

{
  "pdf": "https://example.com/document.pdf"
}

Exemple de réponse

{
  "task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
  "type": "ocr.scanned_or_native",
  "status": "queued",
  "_links": {
    "result": "/tasks/tsk_…/result"
  }
}

L’API est asynchrone : chaque appel renvoie un task_id immédiatement, puis vous interrogez l’état à raison d’une requête par seconde.

Tarifs

par requête$0.002

Le prix est publié, sans tokens ni crédits. Une tâche qui échoue n’est pas facturée.

Limites

`max_mb`	25
`max_pages`	10

Erreurs

HTTP	Code	Signification
`401`	`unauthorized`	Clé API absente ou invalide : vérifiez l’en-tête Authorization.
`402`	`insufficient_balance`	Solde insuffisant : rechargez votre compte pour lancer cette tâche.
`404`	`unknown_type`	Type de tâche inconnu : vérifiez le champ type de votre requête.
`429`	`rate_limited`	Trop de requêtes : ralentissez la cadence, puis réessayez.
`413`	`input_too_large`	Entrée trop volumineuse : consultez la limite de taille de cette capacité.

Notes techniques

Un contrôle rapide et peu coûteux

L’intérêt est d’économiser en amont : n’envoyer à un OCR payant que les fichiers réellement scannés, et laisser passer sans frais ceux dont le texte est déjà là. C’est une vérification, pas un traitement lourd : elle coûte $0.002 par requête, en dollars US, sans coût par page ni abonnement. La capacité s’utilise sur cette page ou par l’API, en traitement asynchrone, pour filtrer automatiquement un lot avant traitement.

Cas d'intégration

Filtrer un flux automatiquement

Un service n’envoie à son OCR, via l’API, que les PDF réellement scannés, laissant passer sans frais ceux qui portent déjà un texte exploitable.

Questions techniques

Combien coûte cette vérification ?

$0.002 par requête, en dollars US, sans coût par page ni abonnement. Paiement par PayPal, facture sur demande.

Consulter la documentation complète du KIT →