PDF en texte

Comment utiliser l'outil PDF en texte

Principales fonctionnalités de l'outil PDF en texte

À propos de l'outil PDF en texte

PDF en texte lit chaque page avec pdf.js et assemble les blocs de texte qu'elle contient avec des espaces. Les sauts de ligne à l'intérieur d'une page ne sont pas reconstitués, si bien que chaque page ressort comme un seul bloc de texte sous une ligne de repère nommant la page. Le résultat est proposé en téléchargement .txt et affiché dans un champ modifiable avec un bouton de copie.

Utilisez-le pour parcourir un long document, transmettre les mots à un autre programme, ou coller un passage dans des notes ou un e-mail sans le retaper. La mise en forme, les images et les tableaux ne sont pas conservés, et l'ordre de lecture des pages à plusieurs colonnes peut ne pas l'être non plus. Un PDF numérisé n'a pas de couche de texte, si bien que le fichier ressort avec seulement les repères de page ; passez-le d'abord par OCR PDF.

Quand utiliser l'outil PDF en texte

Une revue ou un concours impose une limite de mots et vous n'avez que le PDF. Extrayez le texte, collez-le depuis le champ dans un compteur de mots, et vous avez le chiffre sans tout retaper. Les lignes de repère sont comptées aussi, retirez-les donc d'abord si le compte doit être exact.

Vous devez traduire un document avec un traducteur en ligne qui accepte du texte collé. Extrayez-le, copiez une page à la fois depuis le champ, et utilisez les lignes de repère pour garder votre position. Le résultat est en UTF-8, si bien que les caractères accentués et les écritures non latines survivent quand les polices du PDF portent leurs valeurs Unicode.

Une liste d'adresses e-mail, de références ou d'URL est enfermée dans un PDF et vous la voulez dans un tableur. Comme cet outil assemble tout avec des espaces, un tableau ressort comme un seul bloc par page ; PDF en Excel conserve les colonnes et convient mieux pour cela. Pour un document dont vous devez garder les titres et les paragraphes, utilisez PDF en Word ou PDF en Markdown.

Pour trouver ce qui a changé entre deux versions d'un document, n'extrayez pas les deux pour les comparer à la main : Comparer PDF effectue directement une comparaison mot à mot des deux fichiers. Et pour une numérisation, passez d'abord par OCR PDF, puis extrayez ; c'est la couche OCR que cet outil lit.

Conseils et dépannage

• Impossible d'extraire le texte : No password given signifie que le PDF nécessite un mot de passe pour s'ouvrir. Il n'y a pas de champ de mot de passe ici ; retirez la protection et extrayez depuis la copie. Les restrictions de copie et d'impression n'empêchent pas l'extraction.
• Impossible d'extraire le texte : Invalid PDF structure signifie que le fichier déposé n'est pas un PDF. Le glisser-déposer accepte n'importe quel fichier, contrairement au sélecteur.
• Chaque page commence par une ligne du type --- Page N ---. Retirez ces lignes par rechercher-remplacer si vous ne les voulez pas dans le texte.
• Vous pouvez voir des espaces doublés là où des lignes se terminaient dans le PDF, car pdf.js signale une fin de ligne comme un bloc vide et chaque bloc est joint par un espace. Un rechercher-remplacer de deux espaces par un seul les élimine.
• Des caractères erronés ou manquants signifient que la police du PDF n'a pas de correspondance Unicode pour eux ; l'outil écrit ce que le fichier contient. Passer le PDF par OCR PDF reconnaît les mots à partir de la page rendue à la place.
• Le champ sous le résultat affiche huit lignes à la fois. Faites glisser son coin inférieur pour l'agrandir, ou faites défiler à l'intérieur.
• Aperçu du document affiche le même texte dans un cadre. Le fichier téléchargé est en UTF-8 avec des fins de ligne Unix et reprend le nom du PDF avec l'extension .txt. Traiter un autre fichier recharge la page, ce qui abandonne toute modification faite dans le champ, copiez ou téléchargez donc d'abord.
• Le texte brut n'a pas de titres. PDF en HTML lit la même couche de texte et marque certaines lignes courtes comme des titres dans un fichier HTML autonome.
• Si le résultat ne contient que les lignes --- Page N ---, le PDF est une numérisation. Comment rendre un PDF numérisé interrogeable commence par une vérification rapide et montre comment ajouter la couche de texte que cet outil lit.

Comment fonctionne l'outil PDF en texte dans votre navigateur

Le script lit le fichier dans un ArrayBuffer et le transmet à pdf.js, dont le worker (depuis cdnjs.cloudflare.com) analyse le document. Pour chaque page, il appelle getTextContent, qui renvoie les blocs de texte dans l'ordre où le flux de contenu de la page les dessine, et assemble leurs chaînes avec de simples espaces derrière une ligne de repère nommant la page. Les pages sont concaténées en une seule chaîne, qui devient un Blob de type text/plain encodé en UTF-8. Seul pdf.js est chargé sur cette page ; aucune bibliothèque ZIP n'est nécessaire.

showResult dessine la carte de résultat à partir de ce Blob, puis le script ajoute une zone de texte contenant le même texte et un bouton Copier dans le presse-papiers qui écrit le contenu actuel du champ avec l'API presse-papiers du navigateur ; le bouton affiche Copié pendant deux secondes. Télécharger le fichier enregistre la chaîne d'origine via une URL d'objet temporaire, et Aperçu du document la charge dans un cadre. Les octets du PDF et le texte restent en mémoire dans l'onglet et ne sont jamais envoyés nulle part.

Questions fréquentes