Chercher un mot dans 250 documents : ce que la recherche plein texte peut vraiment
Trois obstacles séparent un dossier législatif d'une recherche fiable : les documents sans texte, l'indexation qui piétine, et l'accent qui fait taire le moteur.
L’équipe Adelaw — 2026-08-18
Un dossier législatif européen compte facilement deux cents documents : proposition, étude d'impact, avis, amendements, rapports, actes délégués. Chercher un mot dans cet ensemble paraît trivial — c'est ce que fait un moteur de recherche depuis trente ans. En pratique, trois obstacles rendent l'exercice plus délicat qu'il n'y paraît, et nous les avons tous rencontrés en production.
Obstacle 1 — La plupart des documents n'ont pas de texte
Sur un dossier réel de 251 pièces, 218 seulement disposent d'une version dont on sait extraire le texte. Les autres sont des PDF de registre, des pages de renvoi, des documents servis dans des formats propriétaires ou derrière une page de sélection de langue.
Cette distinction entre « pièce du dossier » et « document fouillable » est la première chose à établir. Annoncer « 13 documents fouillables sur 251 » laisse croire à une défaillance ; annoncer « 13 sur 218 exploitables » dit la vérité et permet de savoir où en est l'indexation.
Nous avons appris cette leçon à nos dépens : notre compteur mesurait le mauvais rapport, et une part des documents que nous croyions manquants était en réalité inaccessible par nature. Le nombre qui compte est celui des documents dont la source rend le texte.
Obstacle 2 — L'indexation doit progresser, pas recommencer
Extraire et indexer le texte d'un document coûte du temps et des appels réseau. On plafonne donc chaque exécution — chez nous, quatorze documents à la fois.
Le piège est subtil : si le lot est toujours pris en tête d'une liste triée de la même façon, chaque relance réindexe les mêmes quatorze documents. La couverture reste figée quel que soit le nombre de relances. Nous avons eu un dossier bloqué à 14 documents indexés sur 218, sans que rien ne signale l'anomalie.
La correction tient en une idée : traiter les documents pas encore indexés, et enchaîner les vagues tant qu'il en reste. Après correction, le même dossier est passé de 14 à 217 documents indexés. Les sources illisibles doivent aussi décaler le curseur, sinon la vague suivante rejoue les mêmes échecs indéfiniment.
Obstacle 3 — La langue du corpus n'est pas celle de la recherche
Un corpus européen est massivement en anglais, même sur un dossier suivi depuis Paris. L'utilisateur, lui, tape en français.
Le cas typique : chercher « rénovation » dans un dossier bâtiments ne rend rien, alors que « renovation » rend seize passages dans six documents. La différence tient à un accent. Un moteur lexical distingue les graphies accentuées ; l'utilisateur, non.
La parade est simple : élargir la requête aux graphies sans accent avant d'interroger l'index. Elle ne remplace pas une traduction, elle évite le silence le plus fréquent. Pour le reste — chercher un concept plutôt qu'un mot — c'est une recherche sémantique qu'il faut, pas une recherche lexicale.
Recherche lexicale ou question en langage naturel ?
Les deux gestes ne répondent pas au même besoin, et les confondre produit de la frustration.
La recherche d'un mot sert quand vous savez ce que vous cherchez et voulez tous les endroits où il apparaît : un terme défini, un seuil chiffré, le nom d'une substance. Elle est exhaustive sur son périmètre et ne vous ment pas : si le mot n'y est pas, il n'y est pas.
La question en langage naturel sert quand vous cherchez une réponse plutôt qu'une occurrence : « quelles obligations d'étiquetage s'appliquent, et à qui ? ». Elle reformule, rapproche des passages, et doit citer ses sources — sans quoi vous ne pouvez pas la vérifier.
Notre parti pris est de séparer les deux dans l'interface. Un juriste qui cherche un mot ne veut pas d'une synthèse, et quelqu'un qui pose une question ne veut pas d'une liste de correspondances brutes.
Ce qu'une recherche plein texte ne remplacera pas
Elle ne dit pas si un passage est encore en vigueur. Un amendement rejeté et une disposition adoptée se ressemblent beaucoup dans un corpus ; seul le suivi de procédure les distingue.
Elle ne dit pas non plus quel document fait foi. Sur un même dossier cohabitent la proposition initiale, la position du Parlement, l'orientation générale du Conseil et le texte final publié au Journal officiel. Trouver une phrase ne suffit pas : encore faut-il savoir dans laquelle de ces versions on l'a trouvée.
C'est pourquoi une recherche utile affiche toujours, à côté du passage, le type de document, l'institution d'origine et sa date. Sans ces trois éléments, un extrait de texte n'est qu'une citation flottante.
Une méthode en trois temps
- Vérifier la couverture avant de conclure — savoir combien de documents sont réellement fouillables évite de conclure « ce n'est pas dans le texte » alors que le texte n'est pas indexé.
- Chercher large, puis restreindre — commencer par le terme le plus général, observer les documents qui remontent, puis affiner avec le vocabulaire employé par l'institution.
- Remonter à la source — un passage sans son document d'origine ne vaut rien dans une note. Le lien vers la pièce officielle fait partie du résultat.
Questions fréquentes
Pourquoi une recherche ne trouve-t-elle rien alors que le mot figure dans un document ?
Trois causes dominent : le document n'est pas indexé (sa source ne rend pas de texte), la graphie diffère (accent, orthographe anglaise), ou le mot figure dans une pièce annexe non rattachée au dossier.
Faut-il indexer tout un dossier ou seulement les pièces principales ?
Tout ce dont la source rend le texte. Les études d'impact et les documents de travail contiennent souvent les seuils et les chiffres que ne reprend pas la proposition.
La recherche plein texte fonctionne-t-elle sur les PDF ?
Seulement si le PDF contient une couche texte. Les documents scannés demandent une reconnaissance optique de caractères, avec un taux d'erreur qui la rend peu fiable pour une recherche juridique.
Quelle différence avec une recherche sémantique ?
La recherche lexicale trouve un mot exact et reste vérifiable passage par passage. La recherche sémantique rapproche des idées, y compris avec un vocabulaire différent, mais demande une citation des sources pour être contrôlable.