Récupérer le texte d’un PDF
Des citations d’un rapport, une clause de contrat pour un e-mail, un tableau à passer dans un tableur : sélectionner du texte dans une visionneuse PDF entraîne souvent des retours à la ligne étranges et des numéros de page. Cette page lit le texte enregistré dans le PDF, page après page, et le place dans un champ que vous pouvez copier ou enregistrer en .txt. Le PDF est lu dans le navigateur et n’est jamais envoyé.
Extraire le texte d’un PDF en cinq étapes
- Déposez le PDF dans la zone prévue ou cliquez dessus pour choisir le fichier. À la première utilisation, le lecteur de pages se charge, environ un demi-mégaoctet.
- Saisissez les pages voulues, par exemple
1-3, 7, ou laissez le champ vide pour lire toutes les pages. - Choisissez le traitement des lignes : les garder comme dans le PDF, ou les joindre en paragraphes pour un texte suivi. Activez les repères de page si vous voulez voir où chaque page commence.
- Appuyez sur Extraire le texte. Une ligne de progression indique la page lue, et Annuler arrête l’exécution.
- Copiez le texte ou téléchargez-le en .txt. Changer l’option des lignes ou les repères met le résultat à jour aussitôt, sans relire le PDF.
Scans et ce que l’outil ne peut pas lire
L’outil lit le texte enregistré dans le PDF. Une page numérisée n’est qu’une image : elle ne donne rien, et le résultat indique combien de pages n’avaient pas de texte. La reconnaissance de caractères (OCR) demande de gros modèles, qui feraient perdre à ce site sa petite taille ; faites d’abord passer le scan dans un programme d’OCR. Les PDF créés avec Word, depuis une page web ou par l’export d’une application contiennent en général du vrai texte.
Ordre de lecture, colonnes et tableaux
Un PDF stocke des fragments de texte positionnés, pas des paragraphes. L’outil joint les fragments d’une même ligne de base, ajoute une espace là où l’écart est assez large et transforme un plus grand saut vertical en ligne vide. Colonnes, tableaux, en-têtes, pieds de page et notes peuvent sortir dans un ordre différent de celui de la page. Un trait d’union en fin de ligne reste en place.
Taille et confidentialité
Un PDF peut peser jusqu’à 100 Mo. Un PDF chiffré réclame son mot de passe, utilisé uniquement en mémoire. Le lecteur de pages est pdf.js, servi depuis ce site, et aucune requête ne transmet le contenu de votre document.