Comment extraire le texte d’un PDF
- Déposez un PDF sur la zone de dépôt ci-dessus, ou cliquez pour le sélectionner.
- Cliquez sur Extraire le texte. Le texte de chaque page est lu dans l’ordre et affiché dans une zone d’aperçu, avec un repère tel que
--- Page 2 ---au début de chaque page. - Copiez le texte depuis la zone d’aperçu, ou téléchargez-le sous forme de simple fichier
.txt(UTF-8).
L’extraction est effectuée par pdf.js, le même moteur que celui du lecteur PDF intégré à Firefox, qui s’exécute dans l’onglet de votre navigateur. Le document n’est pas envoyé, vous pouvez donc extraire sans risque le texte de contrats, d’articles de recherche ou de relevés.
Comment fonctionne l’extraction de texte d’un PDF
Dans un PDF, chaque page possède un flux de contenu : une liste d’instructions de dessin telles que « utiliser la police F1 en 11 points, se déplacer à la position (72, 700), afficher ces caractères ». Le texte est donc stocké sous forme de fragments positionnés, parfois une ligne entière, parfois un seul mot ou même des lettres isolées.
Pour le retransformer en texte lisible, l’extracteur :
- décode chaque fragment des codes de caractères internes de la police vers l’Unicode, à l’aide des tables de correspondance intégrées au PDF ;
- trie les fragments selon leur position sur la page ;
- insère des espaces et des sauts de ligne là où les écarts entre fragments suggèrent de nouveaux mots et de nouvelles lignes.
Comme le PDF n’a aucune notion explicite de paragraphes ni d’ordre de lecture, le résultat est du texte brut avec des sauts de ligne plutôt que des paragraphes mis en forme. Pour la plupart des documents (lettres, rapports, livres, articles), le résultat se lit naturellement.
Limites
| Situation | Ce que vous verrez |
|---|---|
| Pages numérisées ou photographiées | Aucun texte – la page est une image, et la reconnaissance de caractères (OCR) n’est pas proposée |
| Mises en page à plusieurs colonnes | Les colonnes peuvent être entrelacées ligne par ligne |
| Tableaux | Valeurs des cellules sur des lignes, sans quadrillage |
| Polices sans correspondance Unicode | Caractères illisibles ou manquants |
| PDF protégé par mot de passe / chiffré | Le fichier ne peut pas être ouvert |
Un test rapide vous indique à quoi vous attendre : ouvrez le PDF dans n’importe quel lecteur et essayez de sélectionner une phrase. Si vous pouvez la surligner et la copier, le texte peut être extrait. Si toute la page se surligne comme un seul bloc, ou si rien ne se surligne, c’est une image.
Astuces
- Vous voulez conserver les titres et les paragraphes plutôt que de simples lignes ? Utilisez PDF en Word en mode Texte modifiable.
- Pour les chiffres présentés dans des tableaux, PDF en Excel place les valeurs dans des lignes et des colonnes.
- Le texte brut est idéal pour les index de recherche, les outils de traduction, les comptages de mots, les outils de résumé par IA et les logiciels d’accessibilité, car il ne contient aucune mise en forme à retirer.
Questions fréquentes
Pourquoi ai-je le message « Aucun texte trouvé » ?
Le PDF contient des images de texte plutôt que du vrai texte, ce qui est typique des numérisations. Le texte de tels fichiers ne peut être récupéré qu’avec un logiciel d’OCR.
Pourquoi certains caractères sont-ils remplacés par des symboles étranges ?
Certains PDF intègrent des polices avec des codes de caractères personnalisés et sans correspondance Unicode. Le lecteur peut dessiner les formes, mais il n’existe aucun moyen fiable de savoir quelles lettres elles représentent.
La mise en forme, comme le gras ou la taille de police, est-elle conservée ?
Non. Le résultat est du texte UTF-8 brut. Chaque ligne de la page devient une ligne de texte, mais les polices, les couleurs et les images ne sont pas conservées.
Puis-je extraire le texte de certaines pages seulement ?
L’outil extrait le document entier. Pour le limiter, enregistrez d’abord les pages dont vous avez besoin dans un fichier distinct avec Diviser un PDF.
Mis à jour