Extraire le texte d'un PDF

Du texte réellement réutilisable

Les PDF sont faits pour l'impression, pas pour la réutilisation. Sélectionner du texte sur plusieurs colonnes et plusieurs pages dans un lecteur donne en général un résultat désordonné, et recopier un long document à la main est hors de question. Extraire le texte donne une matière que vous pouvez coller dans un document, rechercher ou fournir à un autre outil.

Cet extracteur lit la couche de texte du fichier page après page dans votre navigateur. Rien n'est envoyé, ce qui compte quand le document est un contrat, un courrier médical ou un relevé. Vous obtenez le texte complet dans une vue, une vue page par page pour aller à une page précise, un bouton de copie et un téléchargement en TXT.

Comment extraire le texte d'un PDF

1. 1

   Étape 1: Ajoutez votre PDF

   Déposez un fichier, jusqu'à 200 Mo. Chaque page est lue à son tour avec un indicateur de progression.

2. 2

   Étape 2: Lisez le résultat

   La vue globale montre tout le document ; la vue par page liste chaque page pour déplier celle qui vous intéresse.

3. 3

   Étape 3: Copiez ce dont vous avez besoin

   Le bouton de copie globale place tout le texte dans le presse-papiers.

4. 4

   Étape 4: Ou téléchargez un fichier TXT

   Enregistrez le texte dans un fichier texte nommé d'après votre PDF.

Ce que fait l'extracteur

À quoi sert le texte extrait

• Citer et réutiliser. Reprenez des paragraphes d'un rapport dans un e-mail ou un document.

• Rechercher hors ligne. Enregistrez le texte et fouillez une pile de documents avec votre éditeur.

• Traduire et résumer. Collez le texte dans un traducteur ou un autre outil plutôt que le PDF.

• Accessibilité. Lisez un document mal mis en page sous forme de texte simple.

Pourquoi un PDF numérisé ressort vide

Un PDF peut contenir du vrai texte ou une image de texte. Les fichiers produits par un traitement de texte, un logiciel de facturation ou un export contiennent une couche de texte, et l'extraction est immédiate. Une numérisation ou une photo de document n'est qu'une image : il n'y a rien à extraire, d'où les pages signalées comme sans texte.

Transformer une image de texte en texte demande une reconnaissance optique de caractères, que cet outil n'effectue pas. Si votre fichier est une numérisation, cherchez une option de reconnaissance dans le logiciel de votre scanner ou votre lecteur PDF, puis extrayez le texte ensuite.

• PDF exporté ou généré : le texte s'extrait proprement.
• Numérisation ou photo : pas de couche de texte, reconnaissance nécessaire d'abord.
• Document mixte : certaines pages donnent du texte, d'autres non.

Ce qu'il advient de la mise en page

L'extraction donne les mots, pas la maquette. Retours à la ligne, colonnes, en-têtes et pieds de page sont simplifiés en un flux continu, dans l'ordre où le PDF stocke le texte : un article universitaire sur deux colonnes peut s'entremêler de façon inattendue et un tableau devient une suite de valeurs de cellules.

Pour les tableaux en particulier, extrayez le texte et reconstruisez les colonnes dans un tableur, ou utilisez la vue page par page pour avancer une page à la fois, ce qui garde le travail de remise en forme raisonnable.

Conseils pour extraire le texte

• Utilisez la vue page par page pour trouver la section utile dans un long document.
• Enregistrez le fichier TXT à côté du PDF pour pouvoir fouiller tout un dossier plus tard.
• Si le texte paraît désordonné, le PDF le stocke sans doute dans un ordre inhabituel : essayez page par page.
• Pour les liens uniquement, l'extracteur de liens donne une liste propre avec les numéros de page.

Questions sur l'extraction de texte