Caviarder un document numérisé : quand la page n'est qu'une image

Ce qu'est une page numérisée dans un PDF

Un numériseur produit une image. Placée dans un PDF, cette image occupe la page, mais elle ne contient aucun caractère au sens informatique : seulement des points de couleur. Dans ses lignes directrices sur la numérisation destinées aux institutions fédérales, Bibliothèque et Archives Canada le résume ainsi : « Le document numérisé est statique. On ne peut le modifier ni faire une recherche dans son contenu. »

Conséquence pratique : la recherche du lecteur PDF ne trouve rien sur ces pages, et un outil de détection automatique non plus. Un NAS bien visible au milieu d'une page numérisée est, pour le logiciel, une tache comme une autre.

Deux cas : l'image seule et l'image avec texte caché

Pour rendre ces documents consultables, on leur applique souvent une reconnaissance optique de caractères (ROC, ou OCR en anglais). Le logiciel lit l'image, en déduit le texte et l'ajoute au fichier. Adobe décrit ainsi le format le plus courant dans Acrobat : un PDF qui garde l'image de la numérisation d'origine, avec un texte caché par-dessus pour permettre la recherche dans la page. Il existe donc deux situations, qu'on distingue en quelques secondes.

• Image seule. La recherche (Ctrl + F ou Cmd + F) d'un mot visible sur la page ne donne rien, et la sélection de texte est impossible ou prend la page entière comme un bloc. Aucun outil ne détectera quoi que ce soit automatiquement.
• Image avec couche de texte. La recherche trouve des mots, et la sélection fait apparaître des lignes surlignées par-dessus l'image. Le texte existe dans le fichier, même s'il est invisible.

Le second cas est le plus trompeur. On peut poser une barre noire parfaite sur l'image et laisser intact, juste en dessous, le texte reconnu par l'OCR. Le test du copier-coller le révèle : on sélectionne la zone, on colle dans un éditeur de texte, et le numéro réapparaît. Voir pourquoi une barre noire ne suffit pas.

Ce qu'une numérisation ajoute comme risques

La reconnaissance est imparfaite. Un « 0 » lu comme un « O », un chiffre manquant, un numéro coupé en deux : le texte reconnu ne correspond pas toujours à ce que l'œil voit. Une recherche par fragment peut donc échouer alors que le numéro figure bel et bien sur l'image. Sur une page numérisée, l'absence de résultat ne prouve rien.

Tout ce qui est manuscrit ou décoratif échappe au texte. Une signature, un numéro noté à la main dans la marge, un tampon de réception avec un nom, la photo d'une pièce d'identité : ces éléments n'ont jamais de texte fiable. Seul l'œil les repère.

La page entière compte. Le numériseur capte tout ce qui est posé sur la vitre : le verso visible par transparence, une note autocollante oubliée, l'en-tête d'un autre document qui dépasse. Ces détails n'apparaissent souvent qu'en zoomant.

La sensibilité ne diminue pas avec le support. Au Québec, la Loi sur la protection des renseignements personnels dans le secteur privé rend toute personne qui exploite une entreprise « responsable de la protection des renseignements personnels qu'elle détient » (art. 3.1). Les mesures de sécurité doivent être raisonnables compte tenu notamment de la sensibilité des renseignements, de la finalité de leur utilisation, « de leur quantité, de leur répartition et de leur support » (art. 10). Bibliothèque et Archives Canada pose d'ailleurs, pour les institutions fédérales, que les restrictions d'accès aux versions numérisées « doivent être les mêmes que pour les originaux ».

Caviarder une page numérisée, étape par étape

1. Repérer les pages numérisées. Faites le test de recherche sur chaque type de page. Un même PDF mélange souvent des pages produites par un logiciel et des pages numérisées (annexes, pièces justificatives). Notez celles qui ne réagissent pas à la recherche ou qui révèlent une couche OCR.
2. Lire chaque page numérisée à l'œil, en zoom. C'est la seule détection fiable sur une image. Agrandissez assez pour lire les petits caractères, les marges, les tampons et les annotations manuscrites. Cherchez les identifiants habituels (NAS, numéro d'assurance maladie, permis de conduire, date de naissance, coordonnées), mais aussi les noms et les adresses.
3. Tracer les zones à la main, avec une marge. Couvrez chaque renseignement entièrement, en débordant un peu. Une numérisation est rarement parfaitement droite ; une zone trop juste laisse dépasser le haut d'un chiffre ou la fin d'un mot.
4. Produire un fichier où la page est réellement transformée. La barre doit modifier l'image elle-même, et la couche OCR éventuelle doit disparaître. Un rectangle posé par-dessus, comme une annotation, ne fait ni l'un ni l'autre.
5. Refaire les tests sur le fichier final. Ouvrez le fichier produit, pas celui sur lequel vous avez travaillé. Sélectionnez chaque zone et collez le résultat dans un éditeur de texte brut ; recherchez un fragment de chaque renseignement retiré. Rien ne doit ressortir. La liste de contrôle avant l'envoi détaille les autres vérifications.
6. Garder l'original à part. Le fichier caviardé est une copie destinée à la transmission. Rangez-le sous un nom distinct, pour ne pas joindre par erreur la version non caviardée.

Ce que fait Biffe

Biffe lit le texte du PDF, pas le contenu des images. Sur une page qui n'est qu'une image, il ne détecte rien automatiquement : il vous prévient que la page contient peu ou pas de texte lisible, et vous tracez les zones à la main, avec le zoom de l'aperçu. Si la page porte une couche OCR, Biffe la lit comme le reste du texte et y cherche les mêmes identifiants : numéro d'assurance sociale (avec vérification de la clé de contrôle ; un numéro au bon format mais à la clé invalide est signalé « non vérifié »), numéro d'assurance maladie, permis de conduire du Québec, code postal, téléphone et courriel. Comme cette couche est imparfaite, une détection peut manquer ou être mal placée : la lecture à l'œil reste nécessaire. Biffe ne détecte ni les noms, ni les adresses, ni l'écriture manuscrite.

À l'export, les pages caviardées sont converties en image : les zones noires font partie de l'image, et le texte de la page n'existe plus dans le fichier. Une page qui contient du texte invisible, comme la couche OCR d'une numérisation, est elle aussi convertie en image, même si vous n'y avez rien caviardé : Biffe ne peut pas vérifier que ce texte correspond à ce que montre l'image. Ces pages ne sont donc plus cherchables dans le fichier produit. Les propriétés du document d'origine (titre, auteur, sujet, mots-clés) ne sont pas reprises.

Avant le téléchargement, Biffe vérifie le fichier final et bloque l'export s'il y reste du texte extractible sur une page convertie, du texte invisible sur une page recopiée, un champ de formulaire, une pièce jointe ou un script. Tout le traitement se fait dans votre navigateur : le document ne quitte jamais votre poste. La lecture attentive des pages numérisées, elle, reste votre travail.