Extraire le texte d’un PDF
Extrayez le texte sélectionnable de votre PDF, page par page
Cliquez ou déposez un PDF iciChoisissez un PDF
À propos de l’outil Extraire le texte d’un PDF
L’outil Extraire le texte d’un PDF lit la couche de texte d’un PDF, c’est-à-dire le texte que vous pourriez sélectionner dans une visionneuse, et vous le rend en texte brut, avec les retours à la ligne et les espaces reconstitués d’après les positions sur la page. Prenez toutes les pages ou seulement celles que vous indiquez, avec ou sans un titre qui nomme chaque page, puis copiez le texte ou enregistrez-le dans un fichier .txt. L’outil ne lit pas les images : une page numérisée n’a pas de couche de texte, et l’outil propose alors OCR PDF. Le fichier est lu dans votre navigateur avec PDF.js.
Comment extraire le texte d’un PDF
- 1Choisissez le PDF.
- 2Si vous le souhaitez, indiquez des pages dans « Pages (vide : toutes) », et décochez la case du titre de page pour obtenir le texte seul.
- 3Cliquez sur « Extraire le texte ».
- 4Copiez le résultat avec « Copier », ou cliquez sur « Télécharger » pour l’enregistrer dans un fichier .txt qui porte le nom de votre PDF.
Formats et limites
- Entrée
- PDF avec une couche de texte
- Résultat
- Texte brut dans la page et fichier .txt en UTF-8
- Pages
- Toutes, ou une liste comme 1-3, 5, 8-
- Pages numérisées
- Aucun texte à lire ; utilisez OCR PDF
Où votre fichier est traité
PDF.js lit votre fichier dans le navigateur, et ni le PDF ni le texte extrait ne sont envoyés. En cas d’échec de l’extraction, le message épuré de l’erreur nous est signalé avec le nom de l’outil, le type de fichier, une taille approximative, ainsi que le nom et la version de votre navigateur, jamais le nom du fichier ni aucun texte. Pour les fichiers jusqu’à 25 Mo, les accents dessinés comme des glyphes séparés sont réparés dans la copie remise à PDF.js, jamais dans votre fichier.
Questions fréquentes
Puis-je extraire le texte d’un PDF numérisé ?
Non. Une numérisation enregistre chaque page sous forme d’image : il n’y a donc pas de couche de texte à lire. Quand aucune page ne contient de texte, l’outil le signale et propose OCR PDF, qui reconnaît les lettres dans les images et peut aussi vous donner un PDF interrogeable.
Les pages sur plusieurs colonnes sortent-elles dans le bon ordre ?
Non, pas toujours. Les retours à la ligne et les espaces sont reconstitués d’après la position du texte, mais l’ordre est celui dans lequel le PDF enregistre son texte. Quand un PDF enregistre ses colonnes entremêlées, des lignes de colonnes différentes alternent dans le résultat.
Puis-je obtenir le texte sans les titres de page ?
Oui. Décochez la case du titre de page, au-dessus du bouton : les pages ne sont alors séparées que par une ligne vide. Laissez-la cochée quand vous avez besoin de savoir de quelle page vient chaque passage.
Trucs et astuces
- ✓Pour un fichier qui mêle pages saisies et pages numérisées, OCR PDF lit les deux et n’ajoute pas de seconde couche aux pages qui ont déjà du texte.