Convertir PDF en texte : extraire le texte de tout PDF

Deux types de PDF, deux problèmes différents

Un PDF peut contenir son texte de deux façons, et cela détermine presque entièrement la difficulté d’en extraire le texte.

Un PDF enregistré depuis Word, Google Docs ou un logiciel de mise en page contient les vraies lettres. Extraire ce texte est immédiat, car il s’y trouve déjà.

Un scan ou une photo ne contient qu’une image du texte. Il faut reconnaître les lettres dans cette image avant de pouvoir les extraire : cette étape s’appelle l’OCR (reconnaissance optique de caractères).

Les scans prennent un peu plus de temps, et le résultat est très précis mais pas parfait. Nous préférons le dire clairement plutôt que d’annoncer un chiffre que nous ne pouvons pas garantir.

Copier le texte d’un PDF scanné

Si votre lecteur PDF ne permet ni de sélectionner ni de copier le texte, c’est un scan. Importez-le ici et ce lecteur OCR en ligne vous rendra un texte à copier, rechercher et modifier.

Choisir la langue aide souvent. La détection automatique fonctionne bien sur la plupart des pages, mais choisir vous-même l’anglais, l’ourdou, l’arabe, le chinois ou l’une des 39 langues donne de bien meilleurs résultats sur les documents mixtes ou en écriture non latine.

• Scannez à 300 DPI ou plus. En dessous, les détails fins se perdent et l’OCR fait plus d’erreurs.
• Redressez les pages de travers avant de les importer. Même quelques degrés d’inclinaison dégradent le résultat.
• Les scans à plat donnent de meilleurs résultats que les photos prises en biais.
• Un bon éclairage régulier compte plus qu’on ne le pense : une ombre sur la page rend les lettres plus difficiles à lire.

Enfin, vous voulez que le PDF lui-même devienne consultable, en gardant exactement son apparence ? C’est une autre opération : OCR PDF ajoute une couche de texte cachée au PDF, au lieu de produire un fichier texte séparé.

Quand le texte sort mélangé

Les articles scientifiques, les magazines et les journaux sont composés en colonnes. Un convertisseur qui lit tout droit à travers la page mélange les colonnes, et le résultat n’a aucun sens.

Ce convertisseur de PDF en texte reconnaît les pages à deux colonnes et lit chaque colonne de haut en bas avant de passer à la suivante.

• Conserver les sauts de ligne termine les lignes là où la page les termine. Les colonnes restent lues une par une.
• Fusionner en paragraphes réunit les lignes coupées uniquement par la largeur de la page. Idéal pour coller dans un document ou un e-mail.
• Conserver la mise en page garde les mots à leur place sur la page, pour que les colonnes et les tableaux s’alignent dans une police à chasse fixe.
• Bloc de texte unique met tout sur une seule ligne, à coller dans un formulaire ou une cellule de tableur.

Certains PDF utilisent des polices dont les lettres ne sont pas de vrais caractères : les copier donne n’importe quoi. Ces pages sont reconnues et lues avec l’OCR à la place. Vous pouvez aussi l’imposer pour tout le document avec Relire toutes les pages avec l’OCR.

TXT, Word, Markdown, page web ou JSON

• Un fichier texte brut (.txt) contient les mots, et seulement les mots. C’est la conversion PDF en TXT classique, à coller ailleurs ou à passer à un autre programme.
• Un fichier Word (.docx) s’ouvre dans Word ou Google Docs, avec les tableaux conservés en tableaux et de nouvelles pages comme dans le PDF d’origine.
• Un fichier Markdown (.md) conserve les titres et les tableaux en syntaxe Markdown, pratique pour les applications de notes, les wikis ou les développeurs.
• Un fichier page web (.html) contient des balises structurées, à afficher dans n’importe quel navigateur.
• Un fichier JSON décrit chaque page, avec les lignes, les positions, la confiance OCR, les tableaux et les liens.

Vous voulez la mise en page exacte en plus des mots ? Convertissez le PDF en Word pour la conserver. Vous voulez les tableaux dans une feuille de calcul ? Essayez notre conversion PDF en Excel.

Tableaux, en-têtes et numéros de page

Les tableaux sont convertis en lignes et colonnes, et non en paragraphes. Ils sont séparés par des tabulations en texte brut et apparaissent comme des tableaux en Word, Markdown et HTML.

Supprimer les en-têtes et numéros de page retire l’en-tête répété et le numéro de page en haut ou en bas de chaque page du PDF. Le texte se lit alors comme un seul document, sans coupure toutes les quelques lignes.

Recoller les mots coupés en fin de ligne réunit les mots coupés par un trait d’union en fin de ligne. Au lieu de « docu-ment », vous verrez « document ». Marquer le début de chaque page place un court repère au début de chaque page, pour suivre facilement dans le PDF d’origine.

PDF verrouillés et confidentiels

Pour un PDF protégé par mot de passe, tapez ce mot de passe dans le champ Mot de passe du document. Il sert à ouvrir le fichier et n’est jamais conservé.

Pour un PDF qui ne doit pas du tout quitter votre appareil, ouvrez Extraire sur cet appareil. Votre navigateur lit lui-même le texte, rien n’est importé et aucun crédit n’est utilisé.

Ce mode ne lit que la couche de texte : il convient donc aux contrats, relevés et courriers créés sur ordinateur. Une page scannée n’a pas de couche de texte à lire, les scans ont donc besoin du convertisseur normal, qui utilise l’OCR. Le mode sur l’appareil peut aussi être plus lent sur les longs documents, car il utilise votre ordinateur et non le nôtre.

Lire le résultat avant de le télécharger

Le texte s’ouvre dans un éditeur sur la page. Allez à n’importe quelle page, corrigez un mot, réunissez des lignes en paragraphes, changez la casse, copiez-le ou écoutez-le à voix haute.

Les mots dont l’OCR n’était pas sûr sont surlignés, pour que vous sachiez quoi vérifier. Les liens du PDF sont listés avec le résultat. Pas satisfait ? Relisez le même fichier avec une autre mise en page, une autre langue ou un autre format, gratuitement, jusqu’à 5 fois tant qu’il est sur nos serveurs.

Traduire le texte extrait

Vous pouvez faire traduire automatiquement le résultat en anglais, en ourdou, en arabe, en espagnol, en français ou dans sept autres langues pendant l’extraction. C’est pratique pour comprendre rapidement un document en langue étrangère.

C’est une traduction automatique, vérifiez donc tout ce qui est important. Jusqu’à 120 000 caractères sont traduits à la fois : pour un long rapport, choisissez une plage de pages et traduisez par parties.

Oui. Vos fichiers sont supprimés de nos serveurs une heure après le traitement, automatiquement.

Rien n’est conservé au-delà de cette heure. Personne ne lit vos fichiers. Rien ne sert à entraîner quoi que ce soit. Chaque importation et chaque téléchargement passe par HTTPS, votre fichier est donc chiffré dans les deux sens.

Si c’est encore trop pour vous, utilisez Extraire sur cet appareil. Le PDF reste dans votre navigateur et n’atteint jamais nos serveurs.

Vos résultats récents sont conservés dans votre propre navigateur, jamais sur nos serveurs, et vous pouvez les effacer quand vous voulez.