Français
Comment extraire le texte d’un PDF
Pour extraire le texte d’un PDF, déposez le fichier dans la zone ci-dessus. Le texte apparaît à droite dès que les pages sont lues, et vous pouvez le copier ou le télécharger en fichier .txt ou Markdown. Tout se passe dans votre navigateur : un contrat, un relevé bancaire ou un manuscrit inédit n’est jamais envoyé à un serveur.
- Ajoutez un PDF ou plusieurs. Utilisez le bouton de l’exemple si vous voulez seulement voir ce que fait l’outil.
- Choisissez le texte brut ou le Markdown, et décidez si les lignes doivent être regroupées en paragraphes.
- Saisissez une plage de pages si vous n’avez besoin que d’une partie du fichier, par exemple 1-3, 5, 8-.
- Vérifiez le résultat en vue du document entier ou page par page, puis copiez-le ou téléchargez-le. Avec plusieurs fichiers, Tout télécharger (.zip) donne un fichier texte par PDF.
Les nombres de mots et de caractères au-dessus du texte concernent les pages que vous avez sélectionnées, pratique pour compter rapidement un long rapport sans ouvrir de traitement de texte.
Pourquoi le texte copié depuis un PDF semble cassé
Un PDF ne contient pas de paragraphes. Il contient des morceaux de texte accompagnés de coordonnées, dessinés dans l’ordre choisi par le logiciel qui a créé le fichier. Si vous sélectionnez et copiez dans un lecteur PDF, vous obtenez un saut de ligne à la fin de chaque ligne imprimée, des mots coupés en deux par des traits d’union et, dans un article sur deux colonnes, la première ligne de la colonne de gauche suivie de la première ligne de la colonne de droite.
Cet outil reconstruit la structure à partir des coordonnées :
| Problème à la copie | Ce que fait l’outil | Option |
|---|---|---|
| Un saut de ligne après chaque ligne imprimée | Réunit les lignes d’un paragraphe, conserve les espaces entre les paragraphes | Sauts de ligne |
| inter- national coupé sur deux lignes | Retire le trait d’union et réunit le mot | Réparer les mots coupés par un trait d’union |
| Colonnes mélangées | Lit la colonne de gauche jusqu’en bas, puis la suivante | Lire les colonnes l’une après l’autre |
| Numéro de page et titre sur chaque page | Supprime les lignes répétées dans la marge haute ou basse | Retirer les en-têtes, pieds de page et numéros de page répétés |
| Un tableau réduit à un flux de mots | Conserve lignes et colonnes, séparées par des tabulations ou en tableau Markdown | Détecter les tableaux |
Une mise en garde sur la réparation des traits d’union : elle rattache une suite en minuscules au mot qui précède, donc un mot composé qui se trouve coupé à son trait d’union, comme « bien-
connu », devient « bienconnu ». Décochez l’option pour les documents riches en mots composés.
Texte brut ou Markdown ?
Le texte brut est le choix le plus sûr pour coller dans un e-mail, une application de notes ou un outil de traduction. Le Markdown convient mieux quand le texte doit aller dans une documentation, un wiki ou une application de notes qui le comprend. L’outil devine les titres d’après la taille de police : la plus grande taille de titre devient #, la suivante ##, puis ###. Les listes à puces et numérotées gardent leurs marques, et les tableaux deviennent des tableaux Markdown. Un PDF qui utilise une seule taille de police partout n’a simplement aucun titre à trouver.
PDF scannés et OCR
Un scan est une photo d’une page : il n’y a donc aucun texte à extraire. Quand une page n’a pas de couche de texte, une case OCR apparaît : vous y choisissez la langue et lisez les pages. Le moteur OCR (Tesseract) fonctionne dans votre navigateur. Le moteur et les données de langue sont téléchargés la première fois que vous l’utilisez (quelques mégaoctets, davantage pour certaines langues), et vos pages ne sont toujours pas envoyées.
- Un scan net à 300 DPI donne de bons résultats. Une photo prise de biais avec téléphone, avec des ombres, donne nettement moins bien.
- Choisissez la bonne langue. Un OCR en anglais sur une page en espagnol perd tous les accents.
- Les tableaux et les mises en page sur plusieurs colonnes sont moins fiables avec l’OCR qu’avec un vrai texte. Relisez en particulier les chiffres.
Ce qu’il ne peut pas faire
Le texte qui fait partie d’une image, d’un graphique ou d’un dessin n’est pas du texte dans le PDF : il est ignoré, sauf si vous appliquez l’OCR à la page. Les mises en page complexes, avec des encadrés flottants, des colonnes latérales ou du texte qui contourne des images, peuvent être lues dans un mauvais ordre, et l’affichage page par page est le moyen le plus rapide de les repérer. Les PDF créés avec un encodage de police endommagé peuvent donner des lettres illisibles, que vous verrez dans le résultat avant de rien télécharger. Le texte écrit en travers est laissé de côté. Les fichiers de plus de 150 Mo sont refusés pour que l’onglet ne manque pas de mémoire.
Questions fréquentes
Comment extraire le texte d’un PDF sans l’envoyer ?
Déposez le PDF sur cette page : le texte apparaît à droite au bout d’un instant, prêt à être copié ou téléchargé en .txt. Votre navigateur lit le fichier lui-même, donc rien ne quitte votre téléphone ni votre ordinateur. Un PDF de texte de 20 pages prend quelques secondes.
Pourquoi le texte copié depuis un PDF a-t-il des lignes cassées et un espacement bizarre ?
Un PDF enregistre chaque ligne sous forme de morceaux placés sur la page, et non comme des paragraphes. Cet outil remet les morceaux dans l’ordre de lecture, réunit les lignes de chaque paragraphe et répare les mots coupés par un trait d’union en fin de ligne, si bien que le résultat se colle proprement dans un document. Si vous voulez les lignes exactement comme imprimées, passez Sauts de ligne sur Garder les sauts de ligne.
Peut-il lire les PDF à deux ou trois colonnes dans le bon ordre ?
Oui, dans la plupart des cas. L’outil cherche un espace vertical net et lit chaque colonne de haut en bas avant de passer à la suivante, tandis qu’un titre sur toute la largeur au-dessus des colonnes reste en haut. Les pages de magazine dont le texte entoure des images, des encadrés ou des boîtes irrégulières peuvent encore sortir dans un mauvais ordre : vérifiez ces pages dans l’affichage page par page.
Comment extraire le texte d’un PDF scanné ?
Utilisez la case OCR qui apparaît quand une page n’a pas de couche de texte. Choisissez la langue du document et appuyez sur Lire les pages avec l’OCR. Le moteur fonctionne dans votre navigateur, et la première utilisation télécharge une fois les données de langue. Un scan propre à 300 DPI se lit bien, une photo de téléphone prise de travers beaucoup moins : relisez le résultat.
Peut-on obtenir le texte en Markdown avec des titres ?
Oui. Choisissez Markdown (.md) et le texte plus gros devient des titres : la plus grande taille devient #, la suivante ##, puis ###. Les listes à puces et numérotées gardent leurs marques, et les tableaux deviennent des tableaux Markdown. Les titres sont devinés d’après la taille de police, donc un PDF qui utilise une seule taille partout n’aura aucun titre.
Comment retirer les en-têtes, pieds de page et numéros de page du texte extrait ?
Laissez cochée l’option Retirer les en-têtes, pieds de page et numéros de page répétés. Les lignes situées dans la marge haute ou basse qui se répètent sur au moins la moitié des pages, ainsi que les numéros de page isolés, sont supprimées. Un titre qui n’apparaît que sur une page est conservé. Décochez l’option si un pied de page dont vous avez besoin disparaît.
Peut-on extraire le texte de certaines pages seulement, ou de plusieurs PDF à la fois ?
Saisissez des pages comme 1-3, 5, 8- dans la case Pages et seules celles-ci seront lues. Vous pouvez aussi ajouter plusieurs PDF et télécharger un fichier texte par PDF dans un seul .zip. Les mêmes options et la même plage de pages s’appliquent à chaque fichier.
Y a-t-il une limite de taille pour le PDF ?
Les PDF jusqu’à 150 Mo peuvent être ouverts et jusqu’à 3 000 pages sont lues à la fois. Les pages sont traitées une à une avec une barre de progression et un bouton Annuler, si bien qu’un fichier de 200 pages ne fige pas l’onglet. Les PDF protégés par un mot de passe demandent le mot de passe, qui ne sert qu’à ouvrir le fichier sur votre appareil.