PDF en texte
Enregistrez les mots d’un PDF dans un fichier texte brut : vous pourrez le coller dans un e-mail, y faire une recherche, compter les mots ou le traduire. Polices, mise en page et images restent de côté ; le texte suit la page de haut en bas.
Ajoutez un fichier PDF à convertir en texte.
ou déposez un fichier ici
Votre PDF est traité dans cet onglet du navigateur et n’est jamais envoyé.
Mode d’emploi
- Ajoutez le PDF : cliquez sur « Choisir un fichier » ou faites glisser le fichier sur la page.
- Pour n’extraire qu’une partie du document, choisissez « Plage de pages » sous « Pages à convertir » et indiquez par exemple 2, 5-7.
- Si certaines pages sont des scans, cochez les langues du document sous « Reconnaissance de texte pour les pages scannées ». Les pages qui contiennent déjà du texte sont lues directement.
- Cliquez sur « Convertir en texte », puis sur « Télécharger » pour enregistrer le fichier .txt sous le nom du PDF.
- Ouvrez le fichier dans n’importe quel éditeur de texte, ou collez son contenu là où vous en avez besoin.
Ce que fait l’outil
Des paragraphes, pas des lignes brisées
Les lignes rapprochées et de même taille sont réunies en un seul paragraphe, les mots coupés par un trait d’union en fin de ligne sont recollés, et une ligne vide sépare les paragraphes. Une puce ou un élément numéroté commence un paragraphe à part.
Des tableaux en lignes à tabulations
Chaque ligne de tableau devient une seule ligne de texte, avec une tabulation entre les cellules. Collée dans un tableur, chaque morceau tombe dans sa propre cellule.
Des repères de page
Quand vous convertissez plus d’une page, chacune commence par une ligne de repère (— Page 3 —, par exemple) qui porte son numéro dans le PDF : une citation se retrouve ainsi à sa page. Une page seule n’a pas de repère.
Les scans lus par OCR
Une page sans couche de texte passe par l’OCR (reconnaissance de texte), dans la ou les langues que vous cochez : allemand, anglais, coréen, espagnol, français, japonais et portugais sont proposés. L’outil indique combien de pages ont été lues ainsi, car ce sont celles à relire.
Un UTF-8 qui s’ouvre correctement
Le texte est enregistré en UTF-8, avec en tête une marque d’ordre des octets : elle permet aux anciens programmes Windows de reconnaître d’emblée lettres accentuées, coréen et japonais. Dans les autres programmes, choisissez UTF-8 si on vous le demande.
Rien ne quitte votre appareil
Contrats, courriers et dossiers sont lus dans votre navigateur. Le PDF ne part nulle part et reste intact.
Bon à savoir
Le texte brut est le format le plus dépouillé qui soit : tous les programmes de tous les appareils l’ouvrent. On extrait les mots d’un PDF pour citer un passage dans un e-mail, lancer une traduction, compter les mots par rapport à une limite, comparer deux versions d’un contrat, constituer une archive consultable ou confier le contenu à un logiciel qui ne lit pas les PDF.
Ce qui sort dépend de la façon dont le PDF a été fabriqué. Un fichier exporté d’un traitement de texte possède une couche de texte propre. Un PDF imprimé depuis une page web ou un vieux système peut contenir des polices sans correspondance avec de vraies lettres ; le résultat affiche alors des symboles étranges, et l’outil OCR PDF sait lire une telle page à partir de son image.
Les pages composées en colonnes côte à côte sont lues en travers : les deux colonnes peuvent donc sortir appariées sur une même ligne, séparées par une tabulation. Titres, gras, italique, polices et images ne sont pas enregistrés ; un titre n’est qu’une ligne de plus. L’outil PDF en Word garde titres et tableaux sous forme de texte modifiable, et l’outil OCR PDF affiche le texte à côté de chaque page pour que vous le corrigiez et l’enregistriez.
Questions fréquentes
Puis-je copier le texte sans enregistrer de fichier ?
Cet outil enregistre un fichier .txt au lieu d’afficher le texte sur la page. L’outil OCR PDF montre chaque page à côté de son texte, avec un bouton qui copie le tout.
Pourquoi le texte contient-il des symboles étranges ?
La police du PDF n’offre aucune correspondance utilisable entre ses formes et les lettres, ce qui arrive souvent avec les fichiers imprimés en PDF depuis un navigateur. Ouvrez le PDF dans l’outil OCR PDF et demandez-lui de reconnaître la page quand même : il lira l’image plutôt que la couche de texte défectueuse.
Pourquoi mes pages en deux colonnes sont-elles mélangées ?
Les lignes sont lues en travers de la page : un texte composé en colonnes côte à côte ressort avec les morceaux de gauche et de droite sur une même ligne, séparés par une tabulation. Collées dans un tableur, les deux colonnes tombent dans des cellules distinctes, et vous pouvez les copier l’une après l’autre.
Peut-il lire un PDF scanné ?
Oui, une fois la langue du document cochée sous « Reconnaissance de texte pour les pages scannées ». Quelques caractères peuvent être mal lus : jetez un coup d’œil aux noms et aux chiffres.
Quel encodage le fichier utilise-t-il ?
L’UTF-8, précédé d’une marque d’ordre des octets que reconnaît le Bloc-notes de Windows. Si un autre programme affiche des caractères étranges, rouvrez le fichier en choisissant UTF-8.
Les titres, le gras et les images sont-ils conservés ?
Non. Le fichier ne contient que du texte, et un titre y apparaît comme une ligne ordinaire. L’outil PDF en Word garde titres et tableaux sous forme de texte modifiable, et l’outil PDF en JPG enregistre les pages sous forme d’images.