Introduction
Je me suis remis à la programmation sans connaissances à jour dans le domaine, par exemple la notion d’« environnement » m’était totalement inconnue. Pendant deux ans j’ai écrit des programmes Python sans en utiliser. Maintenant que certaines installations posent problème, j’en perçois les limites. Même si je n’y connais rien, voici la marche à suivre pour installer et faire fonctionner un environnement.
Installation
J’installa Miniconda, une version simplifiée de Anaconda (cliquer sur Download Miniconda Installer tout en bas de la page).
Une fois fait, je lance avec Windows > Start > Anaconda Powershell Prompt (en mode administrateur)
Puis, je créé un environnement : conda create --name pascaliensis
Puis, j’active l’environnement : conda activate pascaliensis
Pas la peine d’installer Python car il est inclus dans Miniconda.
Puis, j’installe Spyder : conda install spyder
Puis, je lance Spyder : spyder
Si le package Python existe dans conda, je l’installe dans conda car il semble que ce soit mieux géré. Exemple : conda install pandas
Si le package python n’existe pas dans conda, je l’installe dans Spyder avec pip. Exemple : pip install pymupdf
Enfin, je ferme l’environnement : conda deactivate
Toutes les fois suivantes
Windows > Start > Anaconda Powershell Prompt (en mode administrateur) :
conda activate pascaliensis
Puis, je lance Spyder : spyder
Je travaille dedans.
Enfin, je ferme l’environnement : conda deactivate
Exemple avec OCRmyPDF
OCRmyPDF est un script python qui permet (entre autre) de rajouter une couche d’OCR sur des PDF. Le script suivant le fait en lot sur un dossier et tous ses sous-dossiers contenant des PDF.
Créer un dossier /test-orcrmypdf avec un sous-dossier /corpus. Dans ce sous-dossier, déposer les PDF (dans d’autres sous-dossiers si vous voulez).
Dans Spyder > Project > Create new project > Existing directory : sélectionner /test-orcrmypdf + Create.
À la racine du projet (cliquer-droit sur /test-orcrmypdf > new), créer un nouveau fichier (New python file) nommé main.py. Dans ce fichier, copier-coller le code ci-dessous :
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 27 21:49:37 2025
@author: pascaliensis, with Claude Sonnet 4.2
"""
# pip install ocrmypdf
# pip install ghostscript ???
import ocrmypdf
import tempfile
import os
import shutil
from pathlib import Path
def check_dependencies():
"""Check if required dependencies are installed."""
missing = []
# Check Tesseract
if not shutil.which('pytesseract'):
missing.append('Tesseract OCR')
# Check Ghostscript (gs on Linux/Mac, gswin64c or gswin32c on Windows)
gs_names = ['gs', 'gswin64c', 'gswin32c']
if not any(shutil.which(gs) for gs in gs_names):
missing.append('Ghostscript')
if missing:
deps_str = ' and '.join(missing)
raise Exception(
f"Missing dependencies: {deps_str}\n\n"
f"Installation instructions:\n"
f"- Ghostscript: https://ghostscript.com/releases/gsdnld.html\n"
f"- Tesseract: https://github.com/UB-Mannheim/tesseract/wiki\n"
f"After installation, restart your Python environment."
)
def process_pdf_with_ocr(input_pdf_path,
output_pdf_path,
language,
deskew=True, remove_background=False,
force_ocr=False, skip_text=False, redo_ocr=False,
check_deps=True, **kwargs):
"""
Process a PDF with OCRmyPDF to add an OCR text layer.
Parameters:
-----------
input_pdf_path : str or Path
Path to the input PDF file
output_pdf_path : str or Path, optional
Path for the output PDF. If None, creates a temporary file
language : str, default='eng'
OCR language code (e.g., 'eng', 'fra', 'spa', 'deu')
deskew : bool, default=True
Whether to deskew crooked pages
remove_background : bool, default=False
Whether to remove background from pages
force_ocr : bool, default=False
Force OCR even if PDF already has text (keeps existing text + OCR)
skip_text : bool, default=False
Skip OCR on pages that already have text
redo_ocr : bool, default=False
Remove existing text and redo OCR from scratch
check_deps : bool, default=True
Whether to check for dependencies before processing
**kwargs : dict
Additional OCRmyPDF parameters
Returns:
--------
str : Path to the output PDF file
Notes:
------
- force_ocr: Use for scanned PDFs incorrectly marked as having text
- skip_text: Use to only OCR image-only pages in mixed PDFs
- redo_ocr: Use to replace poor quality existing text with new OCR
Example:
--------
>>> # For a scanned PDF marked as Tagged PDF
>>> output = process_pdf_with_ocr('input.pdf', 'output.pdf', force_ocr=True)
>>> print(f"OCR processed PDF saved to: {output}")
"""
# Check dependencies first
if check_deps:
check_dependencies()
# Convert input path to Path object
input_path = Path(input_pdf_path)
# Validate input file exists
if not input_path.exists():
raise FileNotFoundError(f"Input PDF not found: {input_pdf_path}")
# Handle output path
if output_pdf_path is None:
# Create temporary file if no output path specified
temp_file = tempfile.NamedTemporaryFile(delete=False, suffix='.pdf')
output_path = temp_file.name
temp_file.close()
else:
output_path = str(output_pdf_path)
try:
# Run OCRmyPDF
ocrmypdf.ocr(
input_path,
output_path,
language=language,
deskew=deskew,
remove_background=remove_background,
force_ocr=force_ocr,
skip_text=skip_text,
redo_ocr=redo_ocr,
**kwargs
)
print(f"✓ OCR processing complete: {output_path}")
return output_path
except ocrmypdf.exceptions.PriorOcrFoundError:
print("⚠ PDF already contains OCR text layer")
return str(input_path)
except ocrmypdf.exceptions.MissingDependencyError as e:
# Clean up temp file if created
if output_pdf_path is None and os.path.exists(output_path):
os.unlink(output_path)
error_msg = str(e)
if 'ghostscript' in error_msg.lower() or 'gs' in error_msg.lower():
raise Exception(
"Ghostscript not found!\n\n"
"Install from: https://ghostscript.com/releases/gsdnld.html\n"
"After installation, restart your Python environment."
)
elif 'tesseract' in error_msg.lower():
raise Exception(
"Tesseract OCR not found!\n\n"
"Install from: https://github.com/UB-Mannheim/tesseract/wiki\n"
"After installation, restart your Python environment."
)
else:
raise Exception(f"Missing dependency: {error_msg}")
except Exception as e:
# Clean up temp file if created and error occurred
if output_pdf_path is None and os.path.exists(output_path):
os.unlink(output_path)
raise Exception(f"OCR processing failed: {str(e)}")
# for processing all pdf in a directory and sudbir
def process_all_pdfs_in_directory(root_directory):
# Supported PDF extensions
extension = ".pdf"
# Walk through the directory and its subdirectories
for root, dirs, files in os.walk(root_directory):
for file in files:
if file.lower().endswith(extension):
# Skip files that were already processed by this script
if file.lower().endswith(f"_ocr{extension}"):
continue
input_path = os.path.join(root, file)
# Create an output path (e.g., "myfile_ocr.pdf")
file_base = os.path.splitext(file)[0]
output_filename = f"{file_base}_ocr{extension}"
output_path = os.path.join(root, output_filename)
print(f"--- Processing: {input_path} ---")
try:
# Call your specific OCR function
process_pdf_with_ocr(
input_path,
output_path,
language='eng+fra',
deskew=True,
rotate_pages=True,
optimize=1,
force_ocr=True,
)
print(f"Successfully processed: {output_filename}")
except Exception as e:
print(f"Error processing {file}: {e}")
if __name__ == "__main__":
# Specify the path to your corpus here
target_dir = './corpus'
if os.path.exists(target_dir):
process_all_pdfs_in_directory(target_dir)
else:
print(f"Directory not found: {target_dir}")