PDF en texte

Extraire le texte d’un PDF en trois étapes

1. Choisissez un PDF de 20 Mio maximum et attendez la vérification de son nombre de pages et de son profil. Les documents chiffrés et XFA ne sont pas pris en charge.
2. Choisissez toutes les pages ou saisissez des numéros et plages de pages physiques, par exemple 1,3-5. Vous pouvez sélectionner 200 pages au maximum ; les doublons sont extraits une seule fois, dans l’ordre du document.
3. Sélectionnez Extraire le texte. Vérifiez le texte de chaque page, puis choisissez Copier tout le texte ou Télécharger le TXT pour obtenir toute la sélection actuelle.

Ce que représente le texte

L’outil lit la couche de texte existante du PDF, et non les pixels d’un document numérisé. La correspondance des polices, les espaces natifs et l’ordre du texte influencent le résultat, qui peut différer de la page visible.

Les éléments de texte restent dans l’ordre renvoyé par le moteur. Une fin de ligne ajoute un retour à la ligne. Entre les pages sélectionnées, l’outil insère un retour à la ligne, un caractère de saut de page et un autre retour à la ligne.

Le moteur normalise certains caractères de compatibilité et espaces. L’outil ne reconstruit ni les colonnes ni les tableaux, ne réunit pas les mots coupés et ne garantit pas la séquence Unicode d’origine.

L’aperçu affiche une page sélectionnée à la fois. Copier tout le texte et Télécharger le TXT incluent toute la sélection et ses séparateurs de pages, en UTF-8 sans marque d’ordre des octets ajoutée.

Sélection et pages vides

Dans un PDF de cinq pages, 5,1,3-5 sélectionne 1,3,4,5 une seule fois chacune, dans l’ordre du document. Ce sont des positions physiques, pas les numéros imprimés.

Si une page sélectionnée ne contient aucun texte extrait mais qu’une autre en contient, sa place est conservée dans le texte combiné grâce aux séparateurs de pages.

Si aucune page sélectionnée ne produit de texte autre que des espaces, l’outil indique qu’aucun texte n’a été extrait. Le document peut être numérisé, vide, composé uniquement de glyphes ou dépourvu de correspondances utilisables ; aucun OCR ne s’exécute automatiquement.

Portée et limites

Il s’agit d’une extraction de la couche de texte, et non d’un OCR ou d’une conversion préservant la mise en page. Les commentaires, formulaires interactifs, pièces jointes et l’ordre de lecture de l’arbre de structure ne sont pas garantis comme texte de page.

Du texte masqué, rogné ou recouvert peut être inclus. L’extraction ne certifie pas le caviardage, ne supprime pas les données sensibles et ne prouve pas que le texte correspond à la page visible. Vérifiez le résultat.

Le PDF peut contenir jusqu’à 500 pages, dont 200 sélectionnées au maximum. Des limites d’éléments, de texte par page et au total, et de temps s’appliquent ; l’échec d’une page ou le dépassement d’une limite ne produit aucun export partiel.

Un worker dédié permet l’annulation, mais l’ordonnancement du navigateur et les allocations natives ne garantissent ni délai strict ni limite mémoire. Un délai dépassé ne prouve pas que le PDF est invalide.

Traitement local du document

L’outil n’ajoute aucun envoi du document, historique de saisie ou URL contenant son contenu. Il peut télécharger des fichiers fixes du moteur depuis ce site. La copie et le téléchargement TXT ne se font qu’à votre demande ; ce traitement local ne certifie pas les autres services du site.