Comment extraire le texte d'un PDF (gratuit, en ligne)

Un PDF est conçu pour la mise en page, pas pour l'édition — récupérer les mots sous forme de texte brut est une tâche différente de la simple lecture du document. Voici comment fonctionne la conversion de PDF en TXT, et où elle rencontre des difficultés.

Pourquoi extraire le texte d'un PDF ?

• Édition. Le texte brut s'insère dans n'importe quel éditeur de texte, application de notes ou CMS sans se battre avec la mise en forme du PDF.
• Recherche et traitement. Les scripts, index de recherche et pipelines de données travaillent avec du texte brut, pas avec la structure interne du PDF.
• Copier sans le désordre. Sélectionner du texte à la main dans un PDF récupère souvent des sauts de ligne parasites et des décalages de colonnes ; une extraction propre le lit correctement.

Le piège : les PDF scannés

La conversion fonctionne en lisant la couche de texte déjà intégrée au PDF — elle ne « lit » pas la page visuellement. Un PDF créé à partir d'un document Word ou exporté depuis un site web possède cette couche de texte, donc l'extraction est précise. Un PDF scanné, où chaque page n'est en réalité qu'une photo de page, n'a aucune couche de texte : l'extraction ne renverra que peu ou rien, car les mots n'existent que sous forme de pixels. Ce cas nécessite l'OCR (reconnaissance optique de caractères), une technologie différente et plus sujette aux erreurs.

Ce que vous perdez : la mise en forme

Le TXT n'est que du texte brut — polices, tailles de police, tableaux, colonnes, images et mise en page sont tous abandonnés, ne laissant que les mots dans l'ordre de lecture. Si vous devez conserver la mise en forme, convertissez plutôt en PDF en Word, qui préserve la mise en page et reste modifiable.

Comment extraire le texte d'un PDF en ligne

1. Ouvrez le convertisseur PDF en TXT.
2. Choisissez votre fichier .pdf ou glissez-le sur la page.
3. Cliquez sur « Convertir » et téléchargez le fichier .txt.

Ordre de lecture et pages multi-colonnes

L'extraction suit généralement l'ordre de lecture interne du texte, ce qui fonctionne bien pour les documents à une seule colonne mais peut brouiller les mises en page multi-colonnes : les pages façon magazine, les articles universitaires à deux colonnes ou les documents avec encarts latéraux ressortent parfois avec du texte de colonnes différentes entremêlé. Si le PDF source utilise une mise en page simple à une seule colonne (la plupart des rapports, lettres et contrats), ce n'est presque jamais un problème.

Encodage et caractères spéciaux

Le résultat est du texte brut en UTF-8, qui représente correctement les lettres accentuées, les écritures non latines et les symboles. Si vous ouvrez le résultat dans un éditeur de texte ancien qui suppose un autre encodage, ces caractères peuvent s'afficher sous forme de points d'interrogation ou de symboles incompréhensibles : le rouvrir explicitement en UTF-8 corrige cela, car les données sous-jacentes sont correctes. Tout éditeur de texte, éditeur de code ou application de notes actuel utilise déjà l'UTF-8 par défaut, ce qui concerne donc surtout les logiciels anciens ou fortement personnalisés.