Mode d’emploi
- Choisissez ou déposez un fichier PDF.
- Choisissez Paragraphes et titres ou Mise en page positionnée.
- Sélectionnez Convertir en HTML et attendez que toutes les pages soient lues.
- Vérifiez l'aperçu, puis copiez le code ou téléchargez le fichier .html.
Fonctionnement
L’outil lit la couche de texte de chaque page avec pdf.js : chaque fragment de texte avec sa position et sa taille de police. En mode Paragraphes et titres, les fragments sur la même ligne de base sont réunis en lignes, puis les lignes sont regroupées en paragraphes selon leur espacement vertical et leur retrait. Les lignes nettement plus grandes que le corps du texte deviennent des titres (h1–h3), les lignes commençant par une puce ou un numéro tel que 1. deviennent des éléments de liste, et les mots coupés en fin de ligne sont réunis lorsque la ligne suivante commence par une lettre minuscule. Un commentaire HTML marque le début de chaque page.
En mode Disposition positionnée, chaque fragment de texte devient un span placé à ses coordonnées sur un cadre de la taille de la page, avec une police générique serif, sans-serif ou monospace. Cela ressemble au PDF mais ne convient pas à l’édition.
Seul le texte est converti. Les images, dessins, bordures de tableau, couleurs, polices, gras et italique, et les liens ne sont pas repris ; les tableaux ressortent sous forme de lignes de texte. Les pages multicolonnes sont lues dans l’ordre où le texte est stocké, ce qui correspond généralement, mais pas toujours, à l’ordre de lecture. Les PDF numérisés n’ont pas de couche de texte et nécessitent d’abord un traitement OCR. Tout le texte est échappé au format HTML.
Exemples
Mettre une brochure en ligne
Une brochure produit de deux pages devient des titres h2, des paragraphes et des listes à puces qui se collent dans un CMS et s’adaptent aux écrans de téléphone.
Vérifier la couche de texte
La disposition positionnée montre exactement où se trouve chaque fragment de texte d’un formulaire sur la page, ce qui est utile pour déboguer la génération de PDF.
Foire aux questions
Les images et les tableaux sont-ils convertis ?
Non. Seule la couche de texte est lue. Les images et les graphiques sont ignorés, et les cellules de tableau ressortent sous forme de lignes de texte car un PDF n’enregistre pas quel texte appartient à quelle cellule.
Pourquoi un titre est-il détecté comme un paragraphe (ou l’inverse) ?
Les titres sont reconnus uniquement parce qu’ils sont plus grands que la taille de texte la plus courante. Un texte en gras de taille normale reste un paragraphe, et un grand texte décoratif peut devenir un titre.
Pourquoi l’ordre des paragraphes est-il incorrect ?
L’outil suit l’ordre dans lequel le texte est stocké dans le PDF. Certains programmes enregistrent les colonnes, les barres latérales ou les légendes dans un ordre différent de celui dans lequel ils apparaissent.
Mon PDF ne donne aucun texte. Que puis-je faire ?
Il s'agit probablement d'un document numérisé. Reconnaissez d'abord le texte avec l'OCR, par exemple avec Image to Text (OCR) sur les images des pages.
Confidentialité
Le PDF est lu dans votre navigateur avec pdf.js. Le fichier et le HTML ne sont ni téléversés, ni stockés, ni inclus dans les statistiques ; seul un événement anonyme indiquant que l'outil a été utilisé est compté.