Comment extraire le texte d’un PDF
- Déposez un PDF dans la zone ci-dessus ou cliquez sur Choisir un PDF. L’outil affiche le nombre de pages et la taille.
- Pour ne lire que certaines pages, saisissez-les dans le champ Pages, par exemple
1-3, 5, 8-. Laissez-le vide pour tout le document. - Cliquez sur Extraire le texte. Une barre de progression indique quelle page est en cours de lecture.
- Le texte apparaît dans un cadre. Activez Ajouter une ligne « Page N » avant chaque page pour vous repérer, ou Joindre les lignes de chaque paragraphe pour supprimer les retours à la ligne dus uniquement à la largeur de la page.
- Cliquez sur Copier le texte ou Télécharger le .txt. Le fichier porte le nom de votre PDF, par exemple
rapport.txt.
Le texte est lu dans votre navigateur par le moteur open source pdf.js. Votre PDF n’est jamais envoyé, et il n’y a ni inscription, ni filigrane, ni limite de pages.
Ce que cet outil sait lire, et ce qu’il ne sait pas lire
Un PDF peut stocker du texte de deux façons. Dans un PDF numérique, issu d’un traitement de texte, d’une page web ou d’un générateur de rapports, les lettres sont de vrais caractères avec des positions sur la page. L’outil les lit directement, ce qui est rapide et exact. Dans un PDF numérisé, chaque page n’est qu’une photographie de papier : il n’y a aucun caractère à lire. Si l’outil ne trouve presque aucun texte, il l’indique et renvoie vers deux autres outils : « PDF en JPG », qui transforme les pages en images, et « Image en texte », qui utilise l’OCR pour reconnaître les lettres dans les images.
Le texte ressort dans l’ordre de lecture tel que le PDF le stocke. L’outil reconstitue les lignes à partir de la position verticale des mots et ajoute des espaces là où les mots sont visiblement écartés. Les espaces entre paragraphes deviennent une ligne vide. Les en-têtes, pieds de page et numéros de page sont inclus, car ils font partie de la page.
Exemple concret
Vous avez un rapport annuel de 24 pages et vous avez besoin du texte de la synthèse, aux pages 3 à 5, pour un e-mail. Saisissez 3-5, cliquez sur Extraire le texte et, comme la synthèse est composée sur deux colonnes étroites, activez Joindre les lignes de chaque paragraphe. Les lignes coupées deviennent des paragraphes fluides, prêts à être collés. Les statistiques sous le cadre affichent quelque chose comme « 412 mots · 2 567 caractères · 3 pages ». Si vous avez plus tard besoin du rapport entier avec des repères de page pour y faire des recherches, videz le champ Pages, activez les lignes de page et téléchargez le fichier .txt.
Dépannage
- Symboles étranges ou accents manquants. Certains PDF utilisent des polices sans correspondance entre glyphes et lettres : le texte ne peut alors pas être récupéré. L’OCR sur les images des pages est l’alternative fiable.
- Mots collés ou coupés. Cela dépend de la façon dont le PDF a été produit. Les lignes sont séparées d’après les positions : un espacement inhabituel peut parfois fusionner ou couper des mots.
- Tableaux. Les cellules arrivent sous forme de lignes de texte, dans l’ordre des lignes. Collez-les dans un tableur et utilisez la conversion de texte en colonnes pour reconstituer le tableau.
- Les PDF protégés par mot de passe ne peuvent pas être lus tant que vous n’avez pas supprimé le mot de passe dans un lecteur PDF.
- Impossible de copier le texte du PDF ? Si le document vous appartient, vous pouvez généralement en extraire le texte ici. Respectez les droits de l’auteur quand vous réutilisez des contenus qui appartiennent à d’autres.
Questions fréquentes
Mon PDF est-il envoyé sur un serveur ?
Non. Le texte est lu dans votre navigateur par un moteur open source servi depuis ce site. Le fichier et le texte ne quittent jamais votre appareil.
Pourquoi n’ai-je obtenu aucun texte, ou seulement quelques caractères ?
Le PDF est probablement un scan : ses pages sont des images, pas du texte. L’outil le signale alors et renvoie vers les outils « PDF en JPG » et « Image en texte », qui convertissent les pages en images et les lisent par OCR.
La mise en page, les tableaux et les colonnes sont-ils conservés ?
L’outil reconstitue les lignes et les paragraphes à partir de la position des mots, ce qui convient bien au texte ordinaire. Les tableaux et les mises en page à plusieurs colonnes ressortent sous forme de lignes de texte et peuvent demander un nettoyage. Utilisez « Joindre les lignes de chaque paragraphe » pour supprimer les retours à la ligne à l’intérieur des paragraphes.
Cela fonctionne-t-il avec les accents et d’autres langues ?
Oui, tant que le PDF contient du vrai texte avec un encodage de police correct. Les accents, le ç, le œ et les autres caractères spéciaux sont copiés exactement comme ils sont stockés. Si le résultat affiche des symboles étranges, les polices du PDF n’ont pas de correspondance texte et l’OCR est l’alternative.
Puis-je n’extraire que certaines pages ?
Oui. Saisissez des pages comme 1-3, 5, 8- dans le champ Pages. Laissez-le vide pour lire tout le document. Vous pouvez ajouter une ligne « Page N » avant chaque page.