Comment utiliser PDF en texte
- 1
Ouvrir le PDF
Déposez un PDF de 50 Mo maximum dans la zone, ou cliquez pour en choisir un. Si le fichier est protégé par un mot de passe, il vous sera demandé d’abord.
- 2
Choisir la mise en forme du texte
Paragraphes donne un texte continu et propre, idéal pour lire ou coller ailleurs ; Mise en page conserve chaque ligne imprimée et aligne les colonnes des tableaux avec des espaces.
- 3
Choisir les pages et l’OCR
Extrayez toutes les pages ou une plage comme 2-5, 9. Activez l’OCR et choisissez la langue si certaines pages sont des numérisations sans couche de texte.
- 4
Copier ou télécharger
Cliquez sur Extraire le texte, vérifiez le résultat dans la zone, puis copiez-le dans le presse-papiers ou enregistrez-le au format .txt en UTF-8.
Limites et Pro
Un PDF de 50 Mo maximum et de 200 pages maximum par extraction, OCR compris.
Pro ouvre des PDF jusqu’à 4 Go et lit jusqu’à 5 000 pages d’un coup. Découvrir Pro
À propos de PDF en texte
Cet outil lit la couche de texte que contiennent la plupart des PDF, c’est-à-dire les caractères que vous pourriez sélectionner dans une visionneuse, et la remet dans l’ordre où une personne la lirait. Quand vous copiez directement depuis une visionneuse, les deux colonnes d’un article se mélangent souvent ligne à ligne, chaque phrase est coupée en fin de ligne imprimée et des traits d’union restent au milieu des mots. Ici, les pages sont d’abord découpées en colonnes et en blocs, les lignes coupées sont réunies en paragraphes, un mot coupé par un trait d’union en fin de ligne est reconstitué, les puces et les numéros restent en tête des éléments de liste, et un tableau ressort sous forme de lignes avec une tabulation entre les cellules, ce qui permet de le coller dans un tableur. Un simple numéro de page dans la marge haute ou basse est écarté, tout comme le texte pivoté ou vertical, par exemple un filigrane « BROUILLON » en diagonale.
Le mode Mise en page fait l’inverse : il garde chaque ligne exactement là où elle était imprimée, en utilisant des espaces pour maintenir en place les colonnes d’un formulaire, d’une facture ou d’un relevé bancaire.
Les pages numérisées n’ont pas de couche de texte, seulement une image du papier. Lorsque l’OCR est activé, seules ces pages sont lues par le moteur Tesseract dans votre navigateur, dans l’une des 47 langues proposées. Cas d’usage courants : citer un rapport, donner un contrat à un traducteur ou à un compteur de mots, extraire des chiffres d’un relevé. Les polices, les couleurs, les images et les liens ne font pas partie du résultat ; pour les conserver, convertissez plutôt le PDF en Word.
Confidentialité
PDF.js analyse le document dans un Web Worker sur votre appareil, et un second worker organise les lignes en paragraphes ; le PDF et son texte ne sont jamais envoyés. Ce n’est que si vous activez l’OCR que la page récupère une seule fois le moteur Tesseract et un fichier de langue depuis le CDN jsDelivr, et ces téléchargements ne transmettent rien de votre document.
Fonctionnalités
Colonnes dans l’ordre
Les mises en page à deux ou trois colonnes sont lues colonne après colonne, et non ligne par ligne sur toute la largeur de la page.
De vrais paragraphes
Les lignes coupées sont réunies et les mots séparés par un trait d’union en fin de ligne sont reconstitués.
Des tableaux à coller
Les lignes de tableau ressortent séparées par des tabulations, prêtes pour un tableur, ou alignées avec des espaces en mode Mise en page.
OCR pour les numérisations
Les pages sans couche de texte peuvent être lues avec Tesseract dans 47 langues, sur votre appareil.