Fonctionne sur cet appareil

PDF en texte

Sortez les mots d'un PDF dans un fichier texte brut — refaits en paragraphes pour la lecture, ou ligne à ligne pour les données.

    Comment extraire le texte d'un PDF

    1. Choisissez votre PDF. La lecture commence aussitôt : rien à presser.
    2. Choisissez si les lignes coupées doivent être refaites en paragraphes ou gardées telles quelles.
    3. Enregistrez le .txt et ouvrez-le n'importe où : c'est du texte brut en UTF-8.

    Deux tâches différentes sous le même nom

    Derrière « sortir le texte » se cachent deux tâches qui demandent des traitements opposés. Si vous allez lire le résultat, ou le coller quelque part, vous voulez que les lignes que la page a coupées soient refaites en phrases. Si vous récupérez un tableau ou une liste de codes, ces retours à la ligne *sont* la structure, et les joindre la détruit.

    Les deux sont donc proposés plutôt que devinés. Le regroupement se sert de l'espacement entre les lignes pour décider où un paragraphe s'arrête vraiment, et recolle les mots coupés en fin de ligne. Garder les lignes vous donne la page exactement telle qu'elle était composée, ligne à ligne.

    Le texte vient de la couche de texte du PDF lui-même : ce sont donc les mots que le document contient réellement, pas une supposition tirée d'une image. Cela veut dire aussi qu'un PDF scanné ne contient aucun texte à extraire — il contient des photographies de texte. L'outil le dit au lieu de vous remettre un fichier vide.

    La sortie est de l'UTF-8 brut, que tout éditeur, tableur ou script lit sans cérémonie. La mise en forme ne survit pas, par définition : s'il vous faut des titres et du gras, utilisez PDF en Word.

    Questions sur l'extraction de texte

    Pourquoi mon fichier est-il vide ?

    Parce que le PDF est un scan : il contient des images de pages et non du texte. Lire ces mots demande de l'OCR, et faire de l'OCR en ligne suppose d'envoyer votre document. L'outil vous le dit au lieu de vous remettre un fichier blanc.

    Faut-il regrouper les lignes ou les garder ?

    Regrouper pour tout ce que vous lirez ou collerez comme du texte suivi : rapports, lettres, articles. Garder pour les tableaux, le code, les adresses ou les listes, où les retours à la ligne portent un sens que le regroupement détruirait.

    La mise en forme est-elle conservée ?

    Non, et c'est précisément ce que veut dire texte brut. Le gras, les titres, les colonnes et les tableaux s'aplatissent en mots. S'il vous faut la mise en forme, PDF en Word conserve paragraphes, titres et styles de caractère.

    Pourquoi une page en colonnes sort-elle mélangée ?

    Un PDF n'enregistre pas qu'il y avait une colonne : le texte est donc lu dans l'ordre où il a été placé dans le fichier, ce qui, sur deux colonnes, revient souvent à passer de l'une à l'autre. Garder les lignes plutôt que les regrouper se retrie généralement plus facilement à la main.

    Mon document est-il envoyé ?

    Non. Votre navigateur lit le PDF et écrit le .txt sur votre appareil. Rien n'est envoyé nulle part.

    Autres outils PDF