Convertisseur en ligne gratuit de PDF en TEXT

Un script, un éditeur de terminal, une base de données ou un système d’archivage peut nécessiter du texte brut plutôt qu’un PDF. La conversion crée un fichier .txt plus petit et interrogeable, mais les pages numérisées nécessitent une OCR avant que leurs mots puissent être extraits.

Qu’est-ce que le format PDF ?

PDF (Portable Document Format) est un format à mise en page fixe développé par Adobe pour préserver les dimensions des pages, les polices, le positionnement, les images et les autres éléments d’un document sur différents systèmes d’exploitation. Les traitements de texte, les applications de publication assistée par ordinateur, les scanners, les navigateurs web et les imprimantes virtuelles créent des PDF ; les logiciels courants comprennent Adobe Acrobat, Microsoft Word, LibreOffice et macOS Preview.

Un PDF peut contenir une couche de texte sélectionnable, uniquement des images de pages, ou les deux. Sa mise en page peut inclure des colonnes, des tableaux, des en-têtes, des pieds de page, des libellés positionnés, des polices incorporées, des formulaires, des commentaires et des liens. PDF est utilisé pour les contrats, les factures, les manuels, les rapports, les documents numérisés et les documents qui doivent conserver leur apparence visuelle lorsqu’ils sont partagés ou imprimés.

Qu’est-ce que le format TEXT ?

TEXT désigne généralement un fichier texte brut tel que document.txt. Il stocke des caractères et des sauts de ligne sans polices, couleurs, images, géométrie de page, tableaux, hyperliens ni autre mise en forme.

Le texte brut est peu volumineux et largement compatible avec les outils en ligne de commande, les scripts, les bases de données, les systèmes de contrôle de version, les systèmes de messagerie électronique, les éditeurs de terminal, les lecteurs d’écran et les flux de traitement des données à long terme. Il est facile à rechercher et à modifier, mais il ne peut pas préserver la mise en page visuelle du PDF ni représenter de manière fiable les tableaux structurés.

Comment convertir un PDF en TEXT

Utilisation du convertisseur 101convert.com

1. Ouvrez la page de conversion PDF vers TEXT sur 101convert.com.
2. Téléversez le PDF et sélectionnez TEXT ou TXT comme format de sortie.
3. Lancez la conversion et téléchargez le fichier .txt généré.

Cette option s’exécute dans un navigateur web sans installer de logiciel. Ne téléversez pas de documents confidentiels ou réglementés à moins que les conditions actuelles du service concernant la confidentialité et la conservation des données soient acceptables.

Utilisation de pdftotext de Poppler

pdftotext de Poppler est une solution rapide et scriptable pour les PDF qui contiennent du texte sélectionnable. Installez Poppler à l’aide du gestionnaire de paquets du système d’exploitation, puis exécutez :

pdftotext -enc UTF-8 input.pdf output.txt

Pour les documents comportant des colonnes ou des tableaux simples, essayez :

pdftotext -layout input.pdf output.txt

-layout préserve davantage l’espacement horizontal, mais les espaces supplémentaires peuvent rendre l’analyse en aval moins fiable. Pour extraire uniquement les pages 2 à 5, utilisez :

pdftotext -f 2 -l 5 input.pdf output.txt

Sous Windows, exécutez la commande depuis le répertoire contenant les binaires de Poppler ou ajoutez ce répertoire à PATH. Sous macOS et Linux, une installation via un gestionnaire de paquets rend normalement pdftotext disponible dans le terminal.

Utilisation d’un logiciel de bureau

Dans Adobe Acrobat, ouvrez le PDF et choisissez File → Export To → Text, puis sélectionnez la destination et enregistrez le fichier texte brut. Les noms des menus peuvent varier selon la version d’Acrobat. Certains autres lecteurs PDF proposent une option de texte brut sous File → Save As, mais beaucoup enregistrent uniquement un nouveau PDF.

Pour les PDF numérisés

Si les mots ne peuvent pas être sélectionnés ou copiés, le PDF contient probablement des images de pages plutôt qu’une couche de texte. Exécutez d’abord une OCR avec OCRmyPDF, qui utilise généralement Tesseract :

ocrmypdf -l eng --deskew input.pdf searchable.pdf

L’option -l eng sélectionne les données de reconnaissance de l’anglais ; utilisez le code de langue installé approprié pour une autre langue ou un document multilingue. Extrayez ensuite le texte issu de l’OCR :

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF peut nécessiter l’installation séparée de paquets de données linguistiques Tesseract. L’OCR n’est pas nécessaire lorsque le PDF d’origine contient déjà un texte sélectionnable précis.

Limites de qualité et de compatibilité

• L’extraction du texte suit les positions des caractères stockées dans le PDF, qui ne correspondent pas nécessairement à l’ordre de lecture prévu. Les pages à plusieurs colonnes, les encadrés latéraux, les notes de bas de page, le texte pivoté, les en-têtes et les libellés décoratifs peuvent apparaître dans le désordre.
• Les tableaux deviennent généralement des lignes de texte contenant des espaces ou des délimiteurs incohérents. Si les données doivent rester structurées, exportez-les vers CSV ou un autre format tabulaire plutôt que TXT et vérifiez chaque ligne et chaque colonne.
• Les ligatures, les mappages de polices manquants, les encodages inhabituels et les PDF endommagés peuvent produire des caractères incorrects. Vérifiez les noms, les nombres, les symboles et le texte non latin par rapport à la source.
• L’OCR peut mal interpréter certains caractères, notamment dans les numérisations à basse résolution, inclinées, bruitées, manuscrites ou composées avec une typographie inhabituelle. Vérifiez manuellement les résultats importants.
• Le texte brut ne conserve pas les images, les couleurs, la mise en page, les liens cliquables, les commentaires, les champs de formulaire ni les numéros de page visuels.
• Les PDF protégés par mot de passe ou dont l’extraction est restreinte peuvent nécessiter le mot de passe correct ou l’autorisation du propriétaire avant la conversion ; les outils de conversion ne doivent pas être utilisés pour contourner les contrôles d’accès.