Outils PDFPouvoir récupérer le texte d'un PDF dépend de la façon dont il a été créé. Ouvrez-le, essayez de sélectionner un seul mot à la souris, et vous saurez dans quelle situation vous êtes.
Cas 1 : vous pouvez sélectionner des mots
Le PDF contient du vrai texte. PDF en texte le lit page par page et vous donne un fichier .txt brut, plus une zone d'où copier. Cochez Marquer les sauts de page si vous devez savoir où commence chaque page, pratique pour citer un document.
Cas 2 : vous ne pouvez rien sélectionner
Le PDF est un scan ou une photo. Ce qui ressemble à du texte est une image du texte, exactement comme la photo d'un journal. L'extraction ne renvoie rien, parce qu'il n'y a rien à extraire.
Il faut une OCR (reconnaissance optique de caractères) pour retransformer l'image en caractères. Passez d'abord le fichier dans OCR PDF : il reconnaît les mots de chaque page et les ajoute en couche invisible. Ensuite, le PDF se comporte comme un PDF normal, et PDF en texte peut l'extraire. Attendez-vous à quelques erreurs sur les scans flous ou de travers ; vérifiez les noms et les chiffres avant de vous y fier.
Pour un seul paragraphe, les téléphones vont plus vite : sur iPhone, appuyez longuement sur le texte d'une photo (Texte en direct) ; sur Android, Google Lens fait la même chose.
Cas 3 : le texte sort, mais en désordre
Un PDF stocke chaque morceau de texte avec sa position sur la page, pas sous forme de paragraphes continus. Pour reconstruire l'ordre de lecture, l'extracteur regroupe les morceaux en lignes et les trie de haut en bas. Cela marche bien pour les pages ordinaires, et moins bien pour :
- Les mises en page à deux colonnes, où les lignes des deux colonnes peuvent s'entremêler.
- Les tableaux, qui sortent en suites de valeurs sans la grille.
- Le texte en biais ou le long d'une courbe.
Pour un court passage, sélectionner et copier directement dans un lecteur donne souvent le résultat le plus propre, puisque vous choisissez la zone. Pour tout le document, extrayez tout et faites le ménage dans un éditeur de texte.
Des caractères bizarres
Si vous obtenez des carrés, des points d'interrogation ou des ligatures comme « fi » au lieu de « fi », le PDF utilise une police sans table de caractères correcte. Un rechercher-remplacer corrige vite les ligatures ; les caractères manquants ne se récupèrent généralement pas sans OCR.
Questions
Peut-il extraire le texte d'un PDF numérisé ?
Pas directement, car un scan ne contient que des images. Rendez-le d'abord cherchable avec OCR PDF, puis extrayez le texte.
La mise en forme est-elle conservée ?
Non. Le résultat est du texte brut : pas de gras, pas de polices, pas de tableaux. C'est justement ce qui permet de le coller n'importe où.