Filespry

Extraire le texte d’un PDF

Récupérez le texte d’un PDF pour le copier, le rechercher ou le réutiliser. L’outil fonctionne dans votre navigateur et votre fichier n’est pas envoyé. Il ne lit que du vrai texte : les PDF numérisés ne sont pas pris en charge, car il n’y a pas d’OCR.

Vos fichiers sont traités dans votre navigateur et ne sont pas envoyés.

Comment l’utiliser

  1. Choisissez votre PDF ou glissez-le dans la zone prévue.
  2. Cochez les options voulues : retirer les en-têtes répétés, rejoindre les mots coupés, indiquer les numéros de page.
  3. Cliquez sur Extraire le texte et patientez pendant la lecture des pages.
  4. Copiez le texte ou téléchargez-le en fichier .txt. Vous pouvez d’abord le modifier dans la zone de texte.

À quoi s’attendre en extrayant le texte d’un PDF

De nombreux PDF stockent leur texte sous forme de vrais caractères, chacun avec une position sur la page. L’extraction lit ces caractères et reconstruit les lignes et les paragraphes d’après leurs espacements. Cela fonctionne bien pour les rapports, articles et contrats exportés d’un traitement de texte, et mal pour les scans, qui ne contiennent que des images.

Comme un PDF n’a pas de véritable structure en paragraphes, l’outil devine. Il joint les lignes proches et commence un nouveau paragraphe quand l’écart est plus grand. Les listes à puces restent sur des lignes séparées. Les colonnes et les tableaux sont le point faible, car une page est lue ligne après ligne sur toute sa largeur.

Une fois le texte extrait, parcourez-le pour repérer les coupures étranges et corrigez-les dans la zone de texte, qui affiche aussi le nombre de mots et de caractères. Si le fichier porte des en-têtes ou des numéros sur chaque page, laissez l’option de nettoyage activée. Pour un scan, utilisez un logiciel avec OCR, puis ramenez ici le PDF reconnu si vous le souhaitez.

Questions fréquentes

Pourquoi un message m’indique-t-il qu’il n’y a pas de texte ?

Le PDF est probablement une numérisation ou un ensemble de pages photographiées. Ces fichiers contiennent des images de lettres, pas du vrai texte, et cet outil n’a pas d’OCR (reconnaissance de texte) : il n’y a donc rien à extraire. Un PDF exporté depuis un traitement de texte fonctionne normalement.

Pourquoi l’ordre de mon texte est-il mélangé ?

L’outil lit le texte dans l’ordre où il est placé sur la page. Avec plusieurs colonnes, des tableaux, des encadrés ou des zones de texte, des lignes de zones différentes peuvent s’entremêler. Les documents courts à une seule colonne donnent le meilleur résultat. Le reste se corrige dans la zone modifiable.

À quoi servent les options de nettoyage ?

Retirer les en-têtes et pieds de page répétés supprime les lignes présentes en haut ou en bas d’au moins la moitié des pages, comme les titres et les numéros. Rejoindre les mots coupés recolle un mot scindé par un trait d’union en fin de ligne. Indiquer les pages ajoute une mention avant chacune.

Mon PDF est-il envoyé sur un serveur ?

Non. Le texte est extrait dans votre navigateur et votre fichier ne quitte jamais votre appareil. Un PDF protégé par mot de passe ne peut pas être ouvert ici, et les très longs documents dépendent de la mémoire de votre appareil.

Outils associés

  • PDF en JPG

    Enregistrer les pages d’un PDF en JPG ou PNG

    Nouveau
  • Compteur de mots

    Compter mots, caractères, phrases et temps de lecture

  • Modifier PDF

    Ajouter texte, images, formes et signatures à un PDF

    Nouveau
  • Diviser PDF

    Découper un PDF par plages de pages ou page par page