Convertir un PDF en Word : 4 méthodes, OCR et pièges

Adobe a conçu le PDF en 1993 pour qu'un document s'imprime à l'identique sur n'importe quelle machine, et le format est devenu la norme internationale ISO 32000-1 en 2008. Pour tenir cette promesse, une page PDF est une liste d'instructions de dessin : placer ces glyphes à ces coordonnées dans cette police, tracer une ligne ici, mettre une image là. Une phrase qui passe à la ligne n'est que deux morceaux de texte sans lien, simplement placés l'un au-dessus de l'autre. Rien dans le fichier n'indique qu'ils vont ensemble.

Un document Word fonctionne à l'inverse. Un fichier DOCX, défini par la norme Office Open XML (ECMA-376, puis ISO/CEI 29500), stocke des paragraphes, des styles, des tableaux, des sauts de section et des en-têtes, et Word décide à chaque mise en page où chaque ligne se coupe. Quand vous ajoutez un mot, le paragraphe se réorganise. Changez la marge, la police ou le format du papier, et chaque ligne bouge. Ce comportement est exactement ce que l'on attend pour modifier un texte, et exactement ce qu'un PDF n'a jamais enregistré, puisqu'un PDF est terminé dès qu'il est enregistré.

Convertir un PDF en Word, c'est donc reconstruire, pas déballer. Le convertisseur doit deviner quelles lignes forment un paragraphe, quelle ligne en gras est un titre plutôt qu'une courte phrase en gras, quels mots alignés forment un tableau, et dans quel ordre lire deux colonnes. Les bons convertisseurs devinent bien sur les documents propres et mal sur les documents chargés. Si le PDF a été exporté avec des balises (la couche de structure utilisée pour l'accessibilité), les déductions sont meilleures, car les balises indiquent explicitement les titres, les listes et l'ordre de lecture.

Deux choses très différentes se terminent par .pdf. Un PDF texte a été exporté depuis Word, Google Docs, un logiciel de comptabilité ou la boîte de dialogue d'impression d'un navigateur, et il contient de vrais caractères que vous pouvez sélectionner, copier et rechercher. Un PDF scanné a été créé par un scanner, un photocopieur ou une application mobile, et chaque page est la photo d'une feuille de papier. Pour un convertisseur, une page scannée ne contient aucun mot, seulement des pixels, même si le texte paraît parfaitement net à l'écran. Le nom du fichier et l'icône ne disent rien : les deux types sont identiques dans un gestionnaire de fichiers.

Une page scannée doit passer par la reconnaissance optique de caractères (OCR) avant d'en tirer quoi que ce soit de modifiable. L'OCR analyse la forme des lettres et la transforme en texte, et sa précision dépend de la résolution, du contraste, de l'inclinaison et de la langue. Un scan propre à 300 dpi, noir sur blanc, est lu presque parfaitement ; une photo prise au téléphone, de biais, sous une lampe de bureau, produit des fautes dans chaque paragraphe. Les convertisseurs sans OCR vous donnent soit un document vide, soit un fichier Word où chaque page est collée comme une seule image.

Beaucoup de fichiers réels sont mixtes : un contrat exporté en texte avec une page de signature scannée à la fin, ou un rapport avec une annexe de tickets scannés. Un convertisseur qui examine chaque page séparément s'en sort le mieux, car il lit directement les pages texte et n'utilise l'OCR que là où il le faut, si bien que les pages exportées restent parfaites au caractère près. Si vous réalisez vous-même les scans, le guide sur scanner des documents en PDF détaille la résolution et l'éclairage qui donnent à l'OCR ses meilleures chances.

Microsoft Word ouvre directement les PDF depuis Word 2013, grâce à une fonction que Microsoft appelle PDF Reflow. C'est le choix évident si Word est déjà installé, et il s'en sort bien sur les courriers et rapports simples. Il convertit un fichier à la fois. Google Docs propose une méthode similaire via Google Drive. La page d'aide de Google sur la conversion de PDF en texte recommande des fichiers de 2 Mo maximum et indique que les listes, tableaux, colonnes, notes de bas de page et notes de fin ont peu de chances d'être détectés, ce qui correspond à ce que l'on constate : les mots passent, la structure souvent non.

Adobe Acrobat Standard et Pro exportent vers Word via l'outil Exporter un PDF et lancent automatiquement la reconnaissance de texte sur les pages scannées. Acrobat est un abonnement payant, et Acrobat Reader gratuit n'inclut pas l'export. Un convertisseur en ligne se place entre les deux : rien à installer, fonctionne sur tous les systèmes, et propose généralement de choisir entre texte fluide et mise en page exacte. Sur la page PDF en Word, Reconnaissance de texte (OCR) sur Auto ne lit que les pages sans couche de texte, et Langue du document définit l'alphabet de l'OCR pour les scans qui ne sont pas en anglais.

Le PDF Reflow de Word se cache dans la boîte de dialogue Ouvrir habituelle, ce qui explique pourquoi beaucoup ne le remarquent jamais. Il fonctionne dans Word 2013, 2016, 2019, 2021 et Microsoft 365 sous Windows. Word affiche un message indiquant qu'il va convertir le PDF en document modifiable, que cela peut prendre du temps et que le résultat peut ne pas ressembler exactement à l'original, surtout si le fichier contient beaucoup d'éléments graphiques. Cliquez sur OK et la copie convertie s'ouvre comme un nouveau document non enregistré ; le PDF lui-même n'est jamais modifié.

La documentation de Microsoft elle-même cite des éléments susceptibles de ne pas être convertis, notamment les notes de bas de page qui s'étendent sur plusieurs pages, les notes de fin, les signets et commentaires PDF, et les effets de police comme la lueur ou l'ombre. En pratique, Word a aussi tendance à transformer les encadrés, citations mises en exergue et pages de magazine en plusieurs colonnes en zones de texte flottantes, qui ont l'air correctes mais sont pénibles à modifier. Word n'a pas non plus de réglage pour la langue d'un scan : le texte accentué ou non latin des pages scannées donne des résultats aléatoires. Pour une lettre d'une page ou un rapport simple, c'est pourtant souvent la méthode la plus rapide, et le résultat se trouve déjà dans l'éditeur que vous allez utiliser.

Un texte courant sur une seule colonne, avec de vrais titres, se convertit bien avec n'importe quel outil : courriers, dissertations, contrats, la plupart des rapports. Le gras, l'italique, les listes à puces et les tableaux simples avec bordures visibles survivent généralement. Les images passent tant que le convertisseur les conserve, ce qui, avec un convertisseur en ligne, correspond à l'option Conserver les images, activée par défaut pour le DOCX. Les liens hypertextes survivent en général quand c'étaient de vrais liens dans le PDF ; un texte bleu souligné qui n'a jamais été un lien reste du texte simple. Plus la mise en page d'origine est propre et classique, moins vous remarquerez la conversion.

Les problèmes commencent là où la mise en page porte du sens. Un texte sur deux colonnes peut être lu en travers au lieu de de haut en bas. Les tableaux sans traits sont difficiles à détecter et peuvent arriver sous forme de lignes séparées par des tabulations. Les en-têtes, pieds de page et numéros de page sont dessinés sur chaque page comme du texte ordinaire, et se retrouvent donc souvent au milieu du corps du texte, une fois par page. Les champs de formulaire remplissables sont aplatis en texte simple ou perdus. Les polices intégrées qui ne sont pas installées sur votre ordinateur sont remplacées par la plus proche, ce qui modifie la longueur des lignes. Pour les documents composés surtout de tableaux, un tableur est une meilleure cible ; voir extraire des tableaux d'images et de PDF.

Avant de modifier quoi que ce soit, prenez deux minutes pour vérifier la conversion, car un problème de structure se corrige plus facilement au début qu'après avoir réécrit la moitié du texte. Placez le PDF et le fichier Word côte à côte et faites défiler les deux. Cherchez les paragraphes manquants aux limites de page, les en-têtes répétés dans le corps du texte et les tableaux devenus des lignes éparses. Avec les marques de mise en forme affichées, une marque de paragraphe à la fin de chaque ligne signifie que vous avez obtenu une mise en page ligne par ligne au lieu de paragraphes ; reconvertir avec Texte fluide règle généralement le problème plus vite qu'en rejoignant les lignes à la main.

Pour les pages scannées, lancez un correcteur orthographique et soyez particulièrement attentif aux chiffres, que les correcteurs ignorent. L'OCR confond couramment le chiffre 0 avec la lettre O, 1 avec l, et 5 avec S, et dans une facture ou un contrat, un seul chiffre erroné pèse plus que dix fautes de frappe. Si des paragraphes entiers sont illisibles, vérifiez Langue du document et reconvertissez avant de corriger à la main. Quand la mise en page est irrécupérable, copiez le texte propre dans un nouveau document basé sur votre propre modèle ; c'est souvent plus rapide que de démêler des zones de texte.

Chaque convertisseur fait de la rétro-ingénierie sur un document qui a déjà existé quelque part sous une forme modifiable. Si le PDF vient d'un collègue, d'un client ou de vous-même dans le passé, le fichier d'origine (DOCX, Google Doc ou InDesign) vaut presque toujours mieux que n'importe quelle conversion : styles intacts, vrais tableaux, modifications suivies et commentaires conservés. Un court e-mail pour demander la source peut faire gagner une heure de nettoyage, et les gens s'en formalisent rarement. Cela évite aussi un problème plus subtil : un fichier converti a l'air terminé, si bien que de petites erreurs introduites par la conversion peuvent passer inaperçues dans la version suivante.

Demander d'abord est le bon choix pour les longs documents que vous modifierez beaucoup, les modèles que vous réutiliserez, tout ce qui contient des tableaux ou formulaires complexes, et les documents juridiques ou financiers où un seul chiffre mal lu représente un risque. Convertir est le bon choix quand la source a disparu, quand le PDF est le scan d'un papier qui n'a jamais eu d'original numérique, ou quand vous n'avez besoin de récupérer que quelques paragraphes. Dans ce cas, le convertisseur PDF produit aussi du texte brut, plus propre à citer qu'un fichier Word entièrement mis en forme.

Un PDF signé ou certifié est un cas particulier. Le convertir en Word supprime la signature et sa validité : considérez donc le fichier Word comme une simple copie de travail. Si vous devez renvoyer une version modifiée, faites vos changements dans la copie Word, exportez-la de nouveau en PDF et faites-la signer de nouveau ; ne présentez pas le fichier converti comme l'original signé. Il en va de même pour les PDF avec certification ou sceau officiel : la marque visuelle peut subsister, mais sa preuve numérique non.