Convertir un PDF en texte
Réduisez un PDF à ses seuls mots : ni polices, ni images, ni mise en page, juste un fichier .txt que vous pouvez rechercher, coller, comparer, passer à un script ou importer dans un outil de traduction. Les pages scannées sont d'abord lues par OCR.
Convertisseur PDF
ou déposez Fichiers PDF ici ·
95 Mo max. par fichier· Jusqu'à 20 fichiers· Supprimés après 30 minutes
Les fichiers sont traités sur nos serveurs et supprimés après 30 minutes.
Les PDF numérisés sont des images de pages. Auto lance l'OCR uniquement sur les pages sans couche de texte ; Toujours le force sur chaque page.
La langue du texte imprimé dans la numérisation. Choisir la bonne améliore nettement la précision pour les accents et les écritures non latines.
Texte fluide réorganise le contenu en paragraphes normaux, faciles à modifier. Mise en page exacte place chaque bloc là où il était : le rendu est identique, mais plus difficile à modifier.
Où placer dans le classeur les tableaux détectés.
Numéros de pages ou plages séparés par des virgules, par exemple 1-3, 5, 8-10.
Comment utiliser cet outil
- 1
Déposez le PDF
Importez un seul PDF ou jusqu'à 20 fichiers, de 95 Mo maximum chacun. Les fichiers mixtes, avec des pages saisies et des pages numérisées, sont traités page par page.
- 2
Limitez la sélection si besoin
Le texte brut est déjà sélectionné sous Convertir en. Utilisez Pages à convertir dans Réglages avancés pour extraire uniquement le chapitre ou l'annexe dont vous avez besoin.
- 3
Téléchargez le fichier .txt
Cliquez sur Convertir en Texte brut. Le fichier est encodé en UTF-8 : les accents et les écritures non latines s'affichent correctement dans tout éditeur récent.
Quelle est la meilleure façon d'extraire le texte d'un PDF ?
Convertissez-le en simple fichier .txt. Vous obtenez chaque mot dans l'ordre de lecture, avec les paragraphes séparés par des lignes vides et rien d'autre, prêt pour n'importe quel éditeur ou programme.
Ce que l'extraction de texte d'un PDF conserve et supprime
Le convertisseur parcourt chaque page dans l'ordre de lecture, de haut en bas et colonne par colonne, et écrit les caractères qu'il trouve. Les lignes d'un même paragraphe sont jointes, et les paragraphes sont séparés par une ligne vide. Le texte de chaque page suit celui de la page précédente : un chapitre se lit donc comme un seul passage continu.
Tout ce qui est visuel est supprimé : polices, tailles, couleurs, images, graphiques et position du texte sur la page. C'est le but. Un rapport de 10 Mo plein de photos devient en général un fichier texte de quelques centaines de kilo-octets, plus facile à rechercher, à comparer entre deux versions avec un outil de diff, ou à coller dans un outil de traduction ou d'analyse.
Les utilisateurs de la ligne de commande connaissent peut-être pdftotext, issu des projets Poppler et Xpdf, qui fait un travail similaire sur les PDF numériques. La différence ici est l'OCR : les pages sans couche de texte sont reconnues dans la langue choisie au lieu de ressortir vides. Pour les images qui ne sont pas des PDF, utilisez image en texte.
Texte brut, Markdown ou Word : choisir le bon format de sortie
Texte brut
Les mots uniquement, en UTF-8.
- Fichier le plus léger
- S'ouvre partout
- Ni titres ni mise en forme
Markdown
Du texte avec un balisage léger.
- Titres marqués par #
- Listes et gras conservés
- Reste un fichier texte
Document Word
Mise en page complète et modifiable.
- Tableaux et images conservés
- Styles préservés
- Nécessite un traitement de texte
Pourquoi le fichier texte est si léger
1 octetpar lettre, chiffre ou espace anglais dans un fichier texte UTF-8
Portable Document Format
Le PDF a été créé par Adobe en 1993 et est devenu la norme ouverte ISO 32000 en 2008. Il fige le texte, les polices, les images et la mise en page pour qu'un document s'affiche de la même façon sur tous les écrans et toutes les imprimantes. Les PDF peuvent contenir des formulaires, des signatures, des liens, des pièces jointes et du texte recherchable, et la variante PDF/A sert à l'archivage à long terme. La mise en page figée rend les PDF difficiles à modifier, et les PDF numérisés ne contiennent que des images sans OCR. Tous les navigateurs et systèmes d'exploitation savent les ouvrir.
- Compression
- –
- Transparence
- Oui
- Animation
- Non
- Année de création
- 1993 · Adobe
TXT
Texte brut
Un fichier TXT ne contient que des caractères simples, sans mise en forme, polices, images ni mise en page. Les fichiers texte modernes sont généralement encodés en UTF-8, qui couvre toutes les langues, alors que des fichiers plus anciens peuvent utiliser d'autres encodages et afficher des caractères illisibles. Le texte brut est minuscule, ne devient jamais obsolète et s'ouvre sur tous les appareils, des téléphones aux serveurs. Il ne peut contenir ni texte en gras, ni tableaux, ni images : la structure doit passer par des espaces ou un balisage simple.
- Compression
- –
- Transparence
- –
- Animation
- –
- Année de création
- –
On extrait le texte brut d'un PDF quand seuls les mots comptent, pour la recherche, la citation, la traduction, le nettoyage de données ou l'import dans un autre programme, et que la mise en page ne fait que gêner.
FAQ : convertir un PDF en texte
Pourquoi ne pas simplement copier-coller le texte du PDF ?
Pour un paragraphe ou deux, oui. Mais copier depuis un lecteur PDF coupe souvent les mots en fin de ligne, mélange les colonnes, insère les en-têtes de page au milieu des phrases et ne donne rien sur les pages numérisées. L'extraction lit tout le fichier dans l'ordre de lecture et lance l'OCR là où il n'y a pas de couche de texte.
Quel est l'encodage du fichier texte ?
En UTF-8, l'encodage par défaut du web et de la plupart des logiciels. Le Bloc-notes de Windows enregistre les nouveaux fichiers en UTF-8 par défaut depuis Windows 10 version 1903, et macOS TextEdit, VS Code et tous les navigateurs le lisent sans rien demander. Si un ancien programme affiche des caractères étranges, cherchez une option d'importation permettant de choisir UTF-8.
Le format TXT est-il identique à l'outil PDF en TXT ?
Le résultat est identique : un fichier .txt. Cette page est axée sur l'extraction du texte pour le réutiliser ; PDF en TXT est la même conversion, sous le nom d'extension que les internautes recherchent aussi.
Que deviennent les tableaux ?
Les cellules des tableaux sont écrites dans l'ordre de lecture, séparées par des tabulations, si bien qu'un tableau se colle assez bien dans un tableur. Si ce sont les tableaux qui motivent la conversion, PDF en Excel conserve les lignes et les colonnes dans de vraies cellules.
Puis-je obtenir le texte avec les titres balisés ?
Le texte brut ne permet pas de marquer un titre. Choisissez Markdown sous Convertir en si vous voulez des titres, des listes et du gras balisés par des symboles simples, tout en restant dans un fichier texte.
L'extraction de texte d'un scan fonctionne-t-elle sur l'écriture manuscrite ?
L'OCR est conçu pour le texte imprimé. Les belles capitales d'imprimerie sont souvent lues, mais l'écriture cursive n'est pas fiable. Les documents tapés ou imprimés, numérisés à 300 dpi, donnent les meilleurs résultats.
| PDF en Markdown | PDF en Word | PDF en EPUB |
| TXT en PDF | Image en texte | HTML en TXT |
