PDF en texte

Lorsque le texte est illisible

L’extraction renvoie parfois du texte, mais celui-ci est incorrect : symboles aléatoires, cases ou lettres décalées dans l’alphabet. Cela se produit lorsque les polices du PDF ne contiennent aucune correspondance entre leurs glyphes et les vrais caractères, ce que certains logiciels de conception et d’impression omettent. La page semble correcte parce qu’elle dessine des formes ; les caractères sous-jacents ne sont pas les lettres affichées. Traitez alors le fichier comme un scan et faites-le passer par PDF numérisé vers texte.

Des anomalies plus légères ont des causes plus simples : fi et fl ont été réunis en un seul caractère de ligature, ou un mot a été séparé parce que le PDF positionne chaque lettre individuellement.

Nettoyer le texte extrait

Les lignes imprimées sont extraites séparément : un paragraphe arrive donc avec un retour à la ligne toutes les quelques mots, et les mots coupés par un trait d’union en fin de ligne restent séparés. Les en-têtes, pieds de page et numéros de page se répètent une fois par page au milieu du texte. Supprimez-les avant de citer ou de réutiliser le texte, et retirez les repères de page si le texte doit être utilisé d’un seul bloc.

Pour compter les mots ou les caractères d’un document, collez le texte nettoyé dans le compteur de mots : un comptage effectué directement sur le résultat brut inclut tous les en-têtes et repères.

Comment l'utiliser

1. Choisissez un PDF.
2. Extrayez le texte.
3. Copiez-le ou téléchargez un fichier .txt.

Confidentialité et limitations

Le fichier est ouvert et réécrit dans votre navigateur et n’est jamais téléversé, ce qui est l’objectif lorsque le document est un contrat, un document scanné ou tout autre fichier que vous ne confieriez pas à un inconnu. Un PDF scanné ne contient aucun texte à extraire, et il est signalé comme tel plutôt que de renvoyer un fichier vide.