PDF en Word

Comment utiliser l'outil PDF en Word

Principales fonctionnalités de l'outil PDF en Word

À propos de l'outil PDF en Word

L'outil PDF en Word lit le texte de chaque page avec pdf.js, le regroupe en lignes selon la ligne de base et place les mots de chaque ligne dans l'ordre, de gauche à droite, quel que soit l'ordre dans lequel le PDF les a dessinés. Sur une page où une gouttière nette sépare deux colonnes, la colonne de gauche est lue en premier. Un nouveau paragraphe commence à un écart nettement plus grand entre deux lignes, à une ligne en retrait, ou après une ligne qui s'est arrêtée court alors que le mot suivant aurait tenu. Les lignes courtes qui commencent chacune par une majuscule ou un chiffre, comme une adresse, restent séparées.

La détection est heuristique, donc un poème, un tableau complexe ou une mise en page inhabituelle peut ressortir avec des lignes réunies ou scindées différemment de l'original.

Quand utiliser l'outil PDF en Word

Un fournisseur envoie un contrat sous forme de PDF et veut vos modifications en retour. Convertissez-le, ouvrez le .docx, activez le Suivi des modifications et modifiez les clauses ; les titres apparaissent dans le volet de navigation de Word. Gardez le PDF d'origine à côté, car la mise en page n'est pas reproduite.

Il ne reste que le PDF d'un ancien rapport, chapitre de thèse ou article, et vous voulez réutiliser ses paragraphes dans un nouveau document. Convertissez-le et copiez le texte, en le restylant dans le modèle du nouveau fichier.

Si vous avez seulement besoin des mots bruts, pour une recherche, un script ou un comptage de mots, l'outil PDF en texte est plus rapide et n'a pas d'étape d'options. Un tableau de chiffres est mieux servi par l'outil PDF en Excel, qui place les valeurs dans des cellules ; ici, chaque ligne de tableau devient une ligne de texte, avec des tabulations aux grands écarts entre les cellules.

Une lettre numérisée ou une page photographiée n'a pas de couche de texte, et l'outil s'arrête avec un message qui le dit. Passez-la d'abord par l'outil OCR PDF, qui ajoute la couche de texte que cet outil lit. Le texte issu de l'OCR ressort plus dépouillé : il n'a ni gras ni italique, les puces de liste sont souvent perdues, un titre n'est reconnu qu'à partir d'environ une fois et demie la taille du corps de texte, et un titre court placé au-dessus de deux colonnes peut ressortir coupé en deux. Dans un fichier qui mêle pages saisies et pages numérisées, chaque page numérisée est signalée par une ligne indiquant qu'elle n'a pas de couche de texte.

Conseils et dépannage

• « Impossible de convertir en Word : No password given » signifie que le PDF a besoin d'un mot de passe pour s'ouvrir. L'outil n'a pas de champ de mot de passe ; supprimez la protection et convertissez la copie. Les restrictions d'impression ou de copie ne bloquent pas la conversion.
• « Impossible de convertir en Word : Invalid PDF structure » signifie que le fichier déposé n'est pas un PDF. Le glisser-déposer accepte tout type de fichier, contrairement au sélecteur.
• Les puces deviennent une liste à puces Word, imbriquée selon leur retrait. Les éléments numérotés gardent leurs numéros imprimés, avec un retrait suspendu, donc Word ne les renumérotera pas. Une ligne qui commence par un numéro ou un tiret, sans élément de liste à côté d'elle, reste un paragraphe ordinaire.
• Quand l'option Commencer chaque page du PDF sur une nouvelle page Word est cochée, un paragraphe qui se poursuit après une fin de page reste en deux parties. Quand elle est décochée et que les en-têtes et pieds de page sont ignorés, les parties sont réunies si la dernière ligne de la page atteint la marge droite et que la phrase continue.
• Ignorer les en-têtes et pieds de page répétés et les numéros de page ne retire que les lignes détachées du texte, près du bord supérieur ou inférieur : un numéro de page comme 3 ou Page 3 sur 9, ou la même ligne, aux chiffres près, sur trois pages ou plus.
• Un mot coupé par un trait d'union en fin de ligne est recollé sans le trait d'union quand la ligne suivante commence par une minuscule. Un mot composé comme porte-monnaie, coupé à son propre trait d'union, le perd aussi, sauf si le fichier contient ailleurs le même mot avec son trait d'union.
• Les colonnes ne sont reconnues que lorsque la plupart des lignes de chaque côté remplissent leur colonne ; toute autre page est lue ligne par ligne sur toute la largeur. La carte de résultat n'a pas de bouton Aperçu du document, car un .docx ne peut pas être prévisualisé ici.
• Si vous avez seulement besoin de titres et de paragraphes pour une application de notes ou un dépôt, l'outil PDF en Markdown donne un fichier .md à partir de la même couche de texte.
• Vous ne savez pas si un PDF est une numérisation ? Le guide comment rendre un PDF numérisé interrogeable commence par une vérification rapide, puis montre comment ajouter la couche de texte dont ce convertisseur a besoin.

Comment fonctionne l'outil PDF en Word dans votre navigateur

pdf.js, exécuté dans un worker récupéré depuis cdnjs.cloudflare.com, renvoie le texte de chaque page sous forme de segments avec une position, une taille et une police. Le gras et l'italique viennent du nom de la police, que pdf.js n'indique qu'après avoir déterminé comment dessiner une page ; le script le lui demande, en sautant les images, pour chaque page qui utilise une police qu'il n'a pas encore vue. Un écart plus large qu'environ un sixième de la taille de police devient un espace, si bien qu'un mot dessiné en plusieurs morceaux reste un seul mot. Les lignes en hébreu et en arabe sont lues de droite à gauche.

JSZip écrit ensuite le paquet : [Content_Types].xml, les relations, word/document.xml, word/styles.xml avec les styles Normal, Heading 1 à 3 et List Paragraph, et word/numbering.xml pour les puces. Les caractères que XML n'autorise pas, comme les codes de contrôle, sont d'abord retirés, car un seul suffit pour que Word refuse le fichier. Le PDF et le texte restent dans la mémoire de l'onglet ; aucun serveur ne les voit.

Questions fréquentes