tigtools

PDF en texte

Choisissez un PDF et récupérez son texte sous forme de texte brut, avec des en-têtes de page optionnels, prêt à copier ou à enregistrer. L’extraction s’effectue dans votre navigateur avec pdf.js.

Fonctionne dans votre navigateur Sans inscription

ou déposez-le ici. Le fichier reste sur votre appareil.

Mode d’emploi

  1. Choisissez ou déposez un fichier PDF.
  2. Décidez si chaque page doit commencer par un titre tel que « --- Page 3 --- ».
  3. Sélectionnez « Extraire le texte » et attendez que toutes les pages soient lues.
  4. Copiez le texte ou téléchargez-le en fichier .txt UTF-8.

Fonctionnement

Les fichiers PDF créés à partir d’un traitement de texte, d’un site web ou de la plupart des autres logiciels contiennent une couche de texte : les caractères et leurs positions. L’outil lit cette couche page par page avec pdf.js et la transforme en lignes de texte brut. Les polices, tailles, couleurs, images et tableaux ne sont pas conservés ; les cellules de tableau ressortent sous forme de texte séparé par des espaces ou des sauts de ligne.

L’ordre de lecture suit l’ordre stocké dans le PDF, qui correspond généralement à l’ordre visuel. Les mises en page multicolonnes, les notes de bas de page et les zones de texte peuvent ressortir dans un ordre inattendu, et les mots coupés en fin de ligne restent scindés.

Les documents numérisés et les photos enregistrées au format PDF ne contiennent que des images de texte et n’ont pas de couche de texte : rien ne peut donc être extrait. L’outil détecte ce cas et vous oriente vers l’OCR (reconnaissance optique de caractères), qui lit le texte à partir des images. Dans certains PDF, le texte utilise des polices sans table de caractères correcte ; ce texte peut alors apparaître sous forme de symboles illisibles.

Les PDF nécessitant un mot de passe pour être ouverts ne peuvent pas être lus. Les PDF comportant uniquement des restrictions de copie sont lus, aussi respectez les droits du propriétaire du document.

Exemples

Citer un rapport

Extrayez le texte d’un rapport PDF de 40 pages, recherchez-y un passage dans la zone de texte et copiez le paragraphe dont vous avez besoin sans devoir lutter avec la sélection du lecteur PDF.

Lettre numérisée

Une lettre numérisée en PDF ne produit aucun texte. L’outil l’indique et renvoie vers l’outil OCR, qui peut reconnaître le texte à partir de l’image de la page.

Foire aux questions

Pourquoi aucun texte n’est-il trouvé dans mon PDF ?

Le PDF contient probablement des images numérisées plutôt que du texte. Passez les pages à l’OCR pour reconnaître le texte.

Pourquoi les mots ou les lignes sont-ils dans le mauvais ordre ?

L’outil utilise l’ordre dans lequel le texte est stocké dans le fichier. Certains programmes stockent les colonnes, les en-têtes ou les zones de texte dans un ordre différent de leur ordre d’affichage.

Pourquoi le texte contient-il des symboles étranges ?

Certains PDF utilisent des polices sans information sur le caractère correspondant à chaque glyphe. Les lettres visibles ne peuvent pas être reconverties en texte ; l’OCR est la seule option pour ces fichiers.

La mise en forme, comme le gras ou les tableaux, est-elle conservée ?

Non. Le résultat est du texte brut avec des sauts de ligne. Les cellules et colonnes de tableau deviennent du texte sur des lignes.

Confidentialité

Le PDF est ouvert et lu dans votre navigateur avec pdf.js. Le fichier et le texte extrait ne sont pas téléversés, stockés ni inclus dans les analyses ; seul un événement anonyme indiquant que l’outil a été utilisé est comptabilisé.