Utilia
Catégories ▾
Langue: fr ▾

PDF en texte

Extrayez le texte d’un PDF dans votre navigateur, page par page, avec retours à la ligne et séparateurs de pages. Copiez-le ou téléchargez un .txt.

Laissez vide pour toutes les pages, ou saisissez des pages et des plages comme 1-3, 5, 8-.

Décochez pour réunir les lignes de chaque paragraphe et recoller les mots coupés en fin de ligne.

Comment extraire le texte d’un PDF

  1. Déposez un fichier PDF dans la zone prévue, ou cliquez dessus pour le choisir. L’outil affiche son nom, son nombre de pages et son poids.
  2. Au besoin, indiquez les Pages (facultatif) à lire, par exemple 1-3, 5 ou 8-. Laissez le champ vide pour extraire toutes les pages.
  3. Choisissez l’Ordre de lecture : Celui du fichier (idéal pour les colonnes) ou De haut en bas, de gauche à droite.
  4. Cochez ou décochez Ajouter des séparateurs de pages et Conserver les retours à la ligne.
  5. Cliquez sur Extraire le texte. Pour un long document, la progression s’affiche page par page ; le bouton Arrêter interrompt la lecture en gardant les pages déjà traitées.
  6. Vérifiez le nombre de pages, de mots, de caractères et de lignes, puis cliquez sur Copier ou Télécharger le .txt.

Les deux cases peuvent être modifiées après l’extraction : le texte est remis en forme aussitôt, sans relire le fichier.

Couche texte ou page numérisée ?

Un PDF créé par un traitement de texte, un tableur ou la commande « Enregistrer au format PDF » contient une couche texte : les vrais caractères, avec leur police et leur position. Cet outil lit cette couche avec PDF.js ; le résultat est donc exact, accents, ligatures et symboles compris.

Un PDF numérisé est différent : chaque page n’est qu’une photo du papier, sans aucun texte à lire. Lorsqu’une page choisie ne contient pas de texte mais une image, l’outil le signale et indique les pages concernées. L’OCR (reconnaissance optique de caractères) n’est pas inclus : le texte des pages numérisées ne peut pas être extrait ici. Les pages sans texte ni image sont signalées comme blanches.

Ordre de lecture et mise en page

Un PDF enregistre des morceaux de texte avec leurs coordonnées, pas des paragraphes. L’outil reconstitue les lignes à partir des morceaux posés sur la même ligne de base, ajoute une espace là où un vide est visible et laisse une ligne vide quand l’écart vertical est grand, ce qui sépare en général les paragraphes.

  • Celui du fichier (idéal pour les colonnes) suit l’ordre dans lequel le logiciel d’origine a écrit le texte. Pour la plupart des documents, y compris les articles sur deux colonnes, c’est l’ordre de lecture naturel.
  • De haut en bas, de gauche à droite trie selon la position sur la page. Essayez-le si la première option donne un texte dans le désordre ; attention, il lit les colonnes en travers.

Avec Ajouter des séparateurs de pages, chaque page commence par une ligne comme --- Page 3 ---, pratique pour citer ou retrouver un passage.

Réunir les lignes en paragraphes

Quand Conserver les retours à la ligne est coché, chaque ligne du PDF reste une ligne de texte. Décochez-le pour réunir les lignes de chaque paragraphe, ce qui convient mieux pour coller le texte dans un document ou un traducteur. Un mot coupé par un trait d’union en fin de ligne, comme « exem- » + « ple », est recollé si la ligne suivante commence par une minuscule. La limite : un mot composé coupé justement à son trait d’union (« peut- » + « être ») perd ce trait d’union. Relisez donc les passages importants.

Confidentialité

Le PDF est lu par votre navigateur, sur votre appareil. Ni le fichier ni le texte extrait ne sont envoyés à un serveur.

Questions fréquentes

Pourquoi le texte extrait est-il vide ?

Les pages sont sans doute des images numérisées, sans couche texte. L’outil indique les pages qui semblent numérisées. Il ne fait pas d’OCR : il faut un logiciel de reconnaissance de caractères pour ces pages.

Peut-on extraire le texte d’un PDF protégé par mot de passe ?

Pas tant qu’il est verrouillé. Les fichiers qui interdisent seulement la copie ou l’impression s’ouvrent normalement ; ceux qui demandent un mot de passe à l’ouverture doivent d’abord être déverrouillés, avec ce mot de passe.

Pourquoi certains mots sont-ils collés ou coupés ?

Certains PDF placent chaque lettre ou chaque mot séparément, avec des espacements inhabituels. L’outil déduit les espaces des écarts entre les morceaux de texte ; essayez l’autre Ordre de lecture si des lignes sont mélangées.

La mise en forme est-elle conservée ?

Non. Le résultat est du texte brut : le gras, les polices, les couleurs, les tableaux et les images disparaissent ; seuls restent les mots, les retours à la ligne et les paragraphes.

Comment récupérer le texte d’une seule page ?

Indiquez son numéro dans Pages (facultatif), par exemple 4, puis cliquez sur Extraire le texte.

Outils similaires