Comment extraire le texte et les images d’un PDF

Récupérer les mots

Extraire le texte d’un PDF lit la couche de texte et vous donne du texte brut. Pas de mise en forme, pas d’images, pas de mise en page — juste les mots, ce qui est exactement ce qu’il faut quand vous voulez citer, rechercher, traduire ou coller ailleurs.

Ce que vous récupérez est déterminé par la manière dont le PDF a été fabriqué, et deux choses sont à prévoir :

• L’ordre de lecture est l’ordre dans lequel le texte a été dessiné, ce qui, pour une page à plusieurs colonnes, peut entrelacer les colonnes. C’est une propriété du fichier plutôt qu’un défaut de l’extraction — voyez ce qui rend un PDF accessible, où le même problème décide si un lecteur d’écran peut lire un document.
• Un résultat vide signifie qu’il n’y a pas de texte. Pas que l’extraction a échoué — que la page est une image. C’est la manière la plus rapide de savoir si un document est un scan.

Récupérer des images des pages

PDF en JPG et PDF en PNG font le rendu de chaque page telle qu’elle apparaît et vous donnent une image par page. C’est ce qu’il vous faut pour une vignette, un aperçu, une diapositive, ou partout où une image est plus facile à placer qu’un PDF.

Choisissez le format selon ce qui se trouve sur la page : le JPG pour les scans et les photographies, le PNG pour le texte, les schémas et le dessin au trait, où les artefacts du JPG viennent se poser directement sur le dessin des lettres. JPG ou PNG pour un PDF ? explique pourquoi.

Soyez au clair sur le compromis avant de vous lancer : faire le rendu d’une page détruit son texte. Le résultat, ce sont des pixels — non consultables, non sélectionnables, illisibles pour un lecteur d’écran, généralement plus lourds, et irréversibles. C’est le bon choix pour une image de page ; le mauvais pour un document que quelqu’un doit lire ou réutiliser.

Une question voisine à laquelle cela ne répond pas : ces outils font le rendu de pages entières, pas des photographies individuelles incorporées à l’intérieur. Si vous avez besoin des images d’origine telles qu’elles ont été stockées, c’est une autre opération et un outil de bureau est généralement la réponse.

Choisir, et le cas du scan

Si le PDF est un scan, commencez par l’OCR. Une page numérisée ne contient aucun texte, donc en extraire le texte ne renvoie rien et la convertir en Word renvoie des photographies. L’OCR reconnaît les caractères et ajoute une véritable couche de texte ; tout le reste devient possible ensuite. La reconnaissance n’est jamais parfaite et demande une relecture, et elle récupère les mots plutôt que la mise en page.

Sinon, choisissez selon la destination :

• Je veux le citer ou y faire des recherches → extraire le texte.
• Je veux continuer à le modifier → PDF en Word, et lisez d’abord convertir sans perdre la mise en forme, parce que la mise en page demandera de l’attention.
• Je veux le tableau sous forme de données → PDF en Excel, qui extrait les tableaux plutôt que le texte. Il lui faut un vrai tableau à cellules tracées pour travailler.
• Je veux une image de la page → PDF en JPG ou PDF en PNG.
• Je ne veux qu’une partie du document → extrayez les pages d’abord. Moins à convertir, moins à vérifier.

L’extraction de texte et le rendu de pages s’effectuent tous deux dans votre navigateur. Les conversions vers Word et Excel s’effectuent sur notre serveur : le fichier est envoyé via une connexion chiffrée, conservé uniquement le temps de la conversion, puis supprimé.