Extraire le texte d’un PDF
PDF en texte extrait les mots d’un document pour que vous puissiez les copier ou les rechercher. Il lit le texte que le PDF contient déjà, exactement tel qu’il a été posé, au lieu d’examiner la page et de deviner les lettres comme le fait l’OCR. Un scan — qui ne contient que des images de mots — ne produit donc rien ici, et l’outil le dit au lieu d’inventer quelque chose.
Déposez un PDF ici
ou n’importe où sur la page · Choisir un fichier · 100 Mo
Acceptés : PDF
Comment fonctionne Extraire le texte d’un PDF ?
Un PDF ne contient pas de paragraphes. Il contient des instructions plaçant des glyphes à des coordonnées — «dessine ce caractère à x=72, y=708 dans cette police à cette taille» — répétées quelques milliers de fois par page. Extraire le texte, c’est recueillir ces instructions et reconstituer les mots et les lignes d’après l’endroit où chaque élément a atterri.
Ce n’est pas de l’OCR, et la différence compte
L’OCR regarde l’image d’une page et reconnaît des formes comme des lettres, avec un taux d’erreur. L’extraction de texte lit les caractères que le document stocke déjà, exactement. Quand la couche de texte est présente, le résultat est parfait — chaque caractère, y compris ceux que l’OCR confond systématiquement, comme rn contre m ou l contre 1.
Quand la couche de texte est absente — une page scannée est une photographie, et une photographie ne contient aucun caractère — il n’y a rien à extraire. L’outil indique combien de pages sont revenues vides au lieu de ne rien renvoyer et de vous laisser conclure que votre fichier était cassé. Pour ces documents, l’OCR est l’outil qu’il faut, et c’est un logiciel réellement différent.
Reconstituer les sauts de ligne
Les éléments de texte que renvoie pdf.js sont des fragments positionnés, pas des lignes. Les concaténer avec des espaces donne un long paragraphe par page, illisible pour tout ce qui a une mise en page. La coordonnée verticale de chaque fragment est donc comparée à celle du précédent : une chute nette marque une nouvelle ligne, une chute plus grande une fin de paragraphe, et un fragment à la même hauteur une continuation.
C’est une approximation, et elle ne le cache pas. Les mises en page à plusieurs colonnes sont là où cela se voit : l’extracteur lit dans l’ordre où les glyphes ont été dessinés, ce qui, pour un article scientifique à deux colonnes, traverse souvent les deux colonnes au lieu de descendre l’une d’elles. Seule une analyse complète de la mise en page corrigerait cela — et cette analyse, elle, repose sur des suppositions.
Ligatures, traits d’union et espace manquante
Trois artefacts reviennent assez souvent dans le texte extrait pour qu’on les reconnaisse. Une ligature — le glyphe unique de fi ou ffl — peut s’extraire en un seul caractère qui a l’air correct mais ne correspond pas à une recherche de «fi». Un mot coupé par un trait d’union en fin de ligne garde son trait d’union, car ce trait d’union est un vrai caractère du document. Et deux mots sans espace entre eux signifient en général que le PDF les a positionnés séparément au lieu d’écrire un caractère espace, ce qui est courant dans un texte composé par un logiciel de composition.
Tout reste dans l’onglet
L’extraction s’exécute dans votre navigateur. C’est plus important que pour la plupart des outils, car les documents dont on extrait du texte sont des contrats, des rapports et des relevés — et le texte extrait est la version consultable, greppable, collable n’importe où de ce même contenu.
Entrée
invoice.pdf (2 pages, text layer present)
Sortie
--- page 1 --- INVOICE 2026-0412 Ada Lovelace Ltd Due: 30 September 2026 --- page 2 --- Terms and conditions…
Quelles options et quels cas limites Extraire le texte d’un PDF prend en charge ?
| Paramètre | Type | Valeur par défaut | Comportement et cas limites |
|---|---|---|---|
| Calque de texte | lecture exacte | — | Les caractères sont extraits du document tels qu’ils sont stockés. Aucune reconnaissance, donc aucun taux d’erreur — contrairement au OCR, qui devine à partir des pixels. |
| Pages scannées | vide | signalé | Un scan est une image de mots et ne contient aucun caractère. Le nombre de pages vides est indiqué plutôt que laissé à votre interprétation. |
| Sauts de ligne | reconstruit | activé | À partir de la position verticale de chaque fragment de texte. Une chute significative est une ligne, une plus grande est un paragraphe. Désactivez pour obtenir un seul bloc continu par page. |
| Marqueurs de page | booléen | activé | Une ligne --- page N --- entre les pages, ce qui rend une extraction longue navigable. |
| Mises en page multi-colonnes | approximatif | — | Lu dans l’ordre du dessin, qui pour deux colonnes est souvent en travers plutôt que vers le bas. Corriger cela nécessite une analyse de mise en page, qui devine. |
| Ligatures | tel que stocké | — | Une ligature fi peut apparaître comme un seul caractère qui semble correct et ne correspond pas à une recherche des deux lettres. |
| Césure | préservée | — | Un mot coupé sur une ligne conserve son trait d’union, car le trait d’union est un caractère réel dans le document plutôt qu’un artefact de rendu. |
| PDF chiffrés | refusé | — | Déverrouillez d’abord avec le mot de passe. |
Questions fréquentes
Je n’ai rien obtenu. Mon PDF est-il cassé ?
Très probablement non — c’est un scan. Un document scanné est la photographie d’une page, et une photographie ne contient aucun caractère, seulement des pixels agencés pour leur ressembler. Il n’y a aucune couche de texte à extraire, voilà pourquoi l’outil signale le nombre de pages vides au lieu de ne rien renvoyer. Pour ce document, il vous faut l’OCR, qui reconnaît des formes comme des lettres et commet des erreurs ; ceci lit des caractères déjà présents et n’en commet aucune.
Pourquoi mon article à deux colonnes sort-il en désordre ?
Parce que l’extraction lit les glyphes dans l’ordre où ils ont été dessinés, et pour une mise en page à deux colonnes cela donne souvent colonne de gauche, colonne de droite, colonne de gauche — en travers de la page plutôt que de haut en bas de chaque colonne. Reconstituer l’ordre de lecture voulu exigerait d’analyser la géométrie de la page et de décider où se trouvent les colonnes, un pari qui échoue sur les tableaux, les encadrés et les figures. Cet outil ne devine pas ; il vous dit dans quel ordre se trouvent les caractères.
Pourquoi certains mots sont-ils collés ?
Parce que le PDF n’a jamais écrit d’espace entre eux. Un logiciel de composition positionne souvent chaque mot indépendamment plutôt que d’émettre un caractère espace, si bien que l’écart visuel est une différence de coordonnées sans caractère derrière elle. Un extracteur qui insérerait des espaces partout où il voit un écart en insérerait aussi à l’intérieur des mots crénés, ce qui est pire. C’est l’artefact le plus courant du texte PDF extrait, et il est inhérent au format.
Est-ce de l’OCR ?
Non, et c’est la chose la plus utile à savoir. L’OCR regarde une image et y reconnaît des caractères, ce qui fonctionne sur des scans mais avec un taux d’erreur — il confond rn avec m, l avec 1, et donne de mauvais résultats sur des scans de mauvaise qualité. Ceci lit les caractères que le document stocke déjà, donc dès qu’il y a une couche de texte, le résultat est exact. Les deux outils résolvent des problèmes différents et ne se remplacent pas l’un l’autre.
Puis-je extraire le texte de quelques pages seulement ?
Le document entier est extrait avec des marqueurs de page, ce qui rend trivial le repérage de la partie qui vous intéresse — cherchez «--- page 7 ---» et prenez ce qui suit. Une plage de pages vous épargnerait un défilement mais vous coûterait la possibilité de tout rechercher d’un coup, qui est généralement la raison pour laquelle on extrait du texte.
Mon document est-il envoyé ?
Non. pdf.js s’exécute dans cet onglet — c’est le moteur de Mozilla, le même code que Firefox utilise pour afficher les PDF — et le texte est extrait sur votre machine. Cela compte ici parce que le texte extrait est la version intégralement recherchable et copiable de tout ce que contenait le document.