Extraire le texte d’un PDF

Votre PDF est presque certainement un scan : l’image d’une page, sans aucune couche de texte. Il n’y a rien à extraire tant que la page n’est pas passée par une reconnaissance de texte. C’est le rôle de l’OCR, et c’est un autre outil.

L’ordre de lecture, les paragraphes et les retours à la ligne sont conservés. Les colonnes, les tableaux et la mise en forme ne le sont pas — le texte brut n’a aucun moyen de les exprimer. Pour la mise en page, la conversion PDF en Word est la bonne solution.

Parce qu’il n’y a aucun texte à en extraire. Une page scannée ou une photo enregistrée en PDF est une image, et l’extraction lit de vrais objets texte au lieu de reconnaître des lettres dans une image. Transformer l’image de mots en texte réel demande un OCR, qui est une technologie différente et que ce site ne propose pas actuellement. Votre fichier n’est pas défectueux — il n’a simplement pas de couche de texte.

Pas de façon fiable, et cela prend les gens au dépourvu. Un PDF positionne le texte par coordonnées au lieu d’enregistrer les paragraphes, colonnes ou tableaux comme des structures : l’extraction doit donc déduire l’ordre de lecture à partir des positions. Les mises en page sur deux colonnes peuvent s’entremêler, et les cellules d’un tableau se retrouver sur une même ligne. L’extraction est le bon outil pour récupérer les mots ; c’est le mauvais outil pour préserver l’aspect de la page.

Ouvrez-le dans n’importe quel lecteur PDF et essayez de sélectionner quelques mots avec le curseur. Si les lettres se surlignent une à une et que vous pouvez les copier, le texte est réel et l’extraction fonctionnera. Si le glissement sélectionne toute la page comme un seul bloc, ou si rien ne se surligne, c’est une image et vous avez affaire à un scan — aucun outil d’extraction n’y trouvera de texte sans OCR préalable.