PDF en texte
Un PDF créé à partir d’un document contient du vrai texte, que cet outil lit page par page pour le copier ou l’enregistrer en .txt. Un PDF numérisé n’a pas de couche de texte et demande l’OCR. Jusqu’à 50 Mo, rien n’est envoyé.
Mode d’emploi
- Déposez un PDF dans la zone ou touchez-la pour choisir un fichier (jusqu’à 50 Mo). Le nombre de pages s’affiche.
- Laissez Pages vide pour tout lire, ou saisissez une plage comme 1-3,5. Cochez la case de repère si vous voulez une ligne comme --- 3 --- avant chaque page.
- Touchez Extraire le texte. Le texte apparaît dans la zone, où vous pouvez le modifier. Copiez-le ou enregistrez-le en fichier .txt.
Méthode de calcul
La plupart des PDF créés à partir d’un document, d’une page web ou d’un tableur contiennent leur texte sous forme de vrais caractères avec une position sur la page. L’outil lit ces caractères, relie de gauche à droite les morceaux d’une même ligne et passe à la ligne quand la hauteur change.
Un écart plus grand entre deux lignes devient une ligne vide, ce qui sépare les paragraphes. Les colonnes, tableaux et en-têtes sont lus dans l’ordre où le fichier les enregistre : les mises en page complexes demandent parfois un peu de retouche.
Un PDF numérisé n’est qu’une image de texte et n’a aucun caractère à lire, le résultat est donc vide. Dans ce cas, convertissez d’abord les pages en images puis utilisez l’outil de texte d’image. Le texte est lu avec pdf.js dans votre navigateur et n’est jamais envoyé à un serveur.
Questions fréquentes
Mon PDF est-il envoyé quelque part ?
Non. Le fichier est lu dans cet onglet du navigateur. Il n’y a ni envoi, ni compte, ni copie conservée ailleurs.
Pourquoi le résultat est-il vide ou plein de caractères étranges ?
Un résultat vide signifie en général que le PDF est un scan, une image de texte. Des caractères étranges apparaissent quand un PDF stocke le texte avec une police propre sans correspondance de texte. Dans les deux cas, un outil de texte d’image (OCR) convient mieux.
Pourquoi les colonnes et les tableaux sont-ils mélangés ?
Un PDF enregistre l’emplacement de chaque morceau de texte, pas l’ordre de lecture. L’outil suit l’ordre du fichier et les lignes de la page : les pages à plusieurs colonnes et les tableaux peuvent sortir dans un ordre différent de votre lecture.
Les polices et la mise en forme sont-elles conservées ?
Non. Vous obtenez du texte brut. Le gras, les tailles, les couleurs et les images sont omis.
Pourquoi indique-t-on que le fichier est protégé par mot de passe ?
Le PDF est chiffré et ne peut pas s’ouvrir sans son mot de passe. Ouvrez-le dans un lecteur PDF, retirez le mot de passe (enregistrez ou imprimez vers un nouveau PDF), puis ajoutez cette copie ici.