Comment extraire le texte d’un PDF

Extrayez le texte d’un PDF dans un simple fichier .txt — gratuit, dans votre navigateur, sans envoi.

Sortir le texte d’un PDF

Un PDF garde son texte dans une couche que vous ne pouvez pas voir. Quand le PDF a été fait à partir d’un traitement de texte, le texte est stocké sous forme de caractères — les mêmes caractères que vous avez tapés. Extraire ce texte signifie lire la couche et l’écrire sous forme de fichier .txt brut : pas de mise en page, pas de mise en forme, juste les mots, dans l’ordre. C’est utile chaque fois que ce sont les mots dont vous avez besoin — pour rechercher dans un long document, citer un paragraphe, ou passer le texte dans un autre outil.

Cet outil lit la couche de texte de chaque page et la combine en un seul fichier .txt, avec des marqueurs de page entre les pages pour que vous puissiez dire où une page se termine et où la suivante commence. Le résultat s’ouvre dans n’importe quel éditeur de texte, sur n’importe quel appareil, et il est petit — tout un rapport devient quelques kilo-octets de texte. Vous pouvez extraire jusqu’à 20 fichiers à la fois, 100 Mo au total, et télécharger tous les fichiers texte ensemble dans un ZIP. Comme le texte vient de la couche que le PDF stocke déjà, l’extraction est rapide et exacte : ce que vous obtenez est le texte que le document lui-même contient.

La limite honnête est que le texte est tout ce que vous obtenez. La mise en page ne survit pas — les colonnes se mélangent, les tableaux perdent leur forme, le gras et l’italique disparaissent, et les images ne sont pas incluses. Si vous avez besoin que le document ait la même apparence, gardez le PDF ; le fichier .txt sert à lire, à rechercher et à réutiliser les mots. Et un PDF scanné n’a pas de couche de texte du tout, donc il n’y a rien à extraire. L’outil le dit honnêtement au lieu de vous remettre un fichier vide. Pour un scan, utilisez d’abord l’outil OCR PDF — il lit les lettres à partir de l’image et vous donne le texte.

Quelques conseils pratiques. Si le texte extrait semble embrouillé — des mots dans le mauvais ordre, ou un tableau lu comme une longue ligne — c’est ainsi que la couche de texte a été stockée, et aucun extracteur ne peut le corriger ; le PDF lui-même a été construit ainsi. Si vous n’avez besoin que d’un chapitre, extrayez tout le fichier et recherchez le titre du chapitre dans le fichier .txt — un éditeur de texte le trouve en une seconde. Et si le texte dont vous avez besoin se trouve sur une page scannée à l’intérieur d’un PDF par ailleurs normal, extrayez ce que vous pouvez, puis faites l’OCR de juste cette page.

Il est aussi utile de savoir quel type de PDF donne un texte propre. Un PDF fait à partir d’un traitement de texte ou d’un programme de mise en page s’extrait généralement très bien, parce que la couche de texte a été écrite dans l’ordre de lecture. Un PDF fait à partir d’une image scannée n’a aucune couche, et un PDF fait par un programme qui stocke le texte dans l’ordre visuel — de droite à gauche, ou colonne par colonne — s’extraira dans cet ordre, et aucun extracteur ne peut le remettre en ordre. Si le texte extrait semble faux, ouvrez le PDF et regardez la page : si la page elle-même a l’air correcte mais que le texte ressort embrouillé, la couche est mal stockée, et la seule solution est l’OCR. Et rappelez-vous que le fichier .txt est du texte brut : pas de gras, pas d’italique, pas de liens, pas d’images. Si vous devez citer un paragraphe, le fichier .txt est parfait ; si vous devez montrer une page, envoyez le PDF.

Une dernière remarque pratique : le fichier texte est petit, et c’est une qualité. Tout un rapport devient quelques kilo-octets que vous pouvez rechercher en une seconde, envoyer par e-mail sans penser à la taille, ou coller dans une zone de recherche. Gardez le fichier .txt à côté du PDF avec le même nom — rapport.txt à côté de rapport.pdf — pour toujours savoir quel texte appartient à quel document. Et si vous extrayez plusieurs fichiers à la fois, téléchargez le ZIP et décompressez-le dans le même dossier que les PDF ; les noms correspondent, donc rien ne se mélange.

Tout le travail s’exécute dans votre navigateur. Votre PDF n’est jamais envoyé à un serveur, donc un document privé reste sur votre appareil. Il n’y a pas de compte, pas de limite quotidienne, et pas de filigrane. Ouvrez l’outil, déposez votre PDF, et téléchargez le texte.

Comment utiliser cet outil

1Déposez un PDF sur la page Extraire le texte d’un PDF — jusqu’à 20 fichiers, 100 Mo au total.
2Appuyez sur Extraire le texte et attendez un instant.
3Téléchargez le fichier .txt.
4Ouvrez-le dans n’importe quel éditeur de texte et vérifiez que le texte dont vous avez besoin s’y trouve.
5Si le fichier revient vide ou si l’outil dit qu’il n’y a pas de texte, votre PDF est un scan — utilisez plutôt l’outil OCR PDF.

Questions fréquentes

À quoi ressemble le résultat ?

Un fichier .txt avec le texte de chaque page combiné, avec des marqueurs de page entre les pages. Il s’ouvre dans n’importe quel éditeur de texte.

Est-ce que ça garde la mise en page ?

Non. Le texte seulement — les colonnes, les tableaux, le gras et l’italique, et les images ne sont pas repris. Si vous avez besoin de la mise en page, gardez le PDF.

Mon PDF est un scan. Est-ce que ça marchera ?

Non. Un PDF scanné n’a pas de couche de texte, donc il n’y a rien à extraire. L’outil le dit honnêtement au lieu de vous donner un fichier vide. Utilisez l’outil OCR PDF pour les scans.

Combien de fichiers puis-je extraire à la fois ?

Jusqu’à 20 fichiers, 100 Mo au total. Il n’y a pas de limite quotidienne.

Le texte est-il exactement comme dans le PDF ?

C’est le texte que le PDF lui-même stocke. Si le PDF a été fait avec une couche de texte cassée ou manquante, le texte extrait sera incomplet — l’outil lit ce qui est là.