Comment extraire le texte d'un PDF ?

Votre PDF est-il scanné ou numérique ?

Ouvrez le PDF et faites glisser la souris sur un mot. Si les lettres de ce mot se colorent, le fichier a une couche de texte. Sélectionnez alors tout, copiez et collez, sans aucun convertisseur. Si la page entière se sélectionne d'un bloc comme une photo, ou si rien ne se sélectionne, la page est une image. Le PDF est scanné, et seule la reconnaissance de caractères (OCR) en tire les mots.

PDF numérique

Créé depuis Word, un navigateur ou une application. Le texte se sélectionne et se copie.

PDF scanné

Créé par un scanner ou une application de scan sur téléphone. Chaque page est une photo du papier.

PDF mixte

Un fichier numérique auquel on a ajouté des pages scannées ou des tampons. Les parties scannées passent par l'OCR.

Comment convertir un PDF en texte avec l'outil ?

1. Choisissez le PDF. Un PDF de 5 Mo au plus. S'il a plusieurs pages, l'outil lit la page 1 et vous indique combien de pages compte le fichier.
2. Cliquez sur « Extraire le texte ». La page passe par l'OCR, si bien qu'un scan se lit comme un fichier numérique.
3. Vérifiez les premières lignes. Elles s'affichent avant l'inscription, le reste est flouté. Vous voyez ainsi si le scan était lisible.
4. Saisissez votre e-mail, puis le code. Le code à 6 chiffres reçu par e-mail affiche tout le texte et crée un compte gratuit si vous n'en avez pas. Pas de mot de passe.
5. Copiez ou téléchargez le texte. Copiez-le, ou téléchargez un fichier .txt ou un document Word dont les titres et les tableaux sont reconstruits.

PDF en texte : que contient le résultat ?

L'OCR lit la page dans l'ordre de lecture. Les titres, les paragraphes et les listes reviennent sous forme de lignes. Un tableau revient ligne par ligne, avec une tabulation entre les cellules, si bien qu'il se colle en colonnes dans un tableur. Le document Word garde ce même tableau sous forme de vrai tableau.

Un texte imprimé, scanné bien droit, revient presque mot pour mot. L'écriture manuscrite, les tampons pâles, les signatures et les scans en basse résolution reviennent avec des erreurs, ou pas du tout. Vérifiez les noms, les montants et les longs numéros sur la page avant de vous en servir.

Les autres façons d'extraire le texte d'un PDF

Google Drive accepte un PDF de plusieurs pages, dans la limite de 2 Mo[2]. L'outil de cette page ne lit que la page 1, mais il garde les tableaux et vous rend le texte en .txt ou en Word sans passer par Google Docs.

Tout un PDF scanné, ou sa traduction

Pour un document scanné entier, toutes les pages et pas seulement la première, l'application LoreAI (en anglais) lit tout le fichier et vous rend un fichier Word modifiable, traduit dans la langue de votre choix. Votre premier document est gratuit, jusqu'à 3 pages.

Le guide sur l'OCR d'un PDF scanné détaille la lecture et la traduction d'un scan complet, et celui pour traduire un PDF en français couvre la traduction d'un PDF ordinaire.

Comment obtenir un texte plus propre à partir d'un scan ?

• Scannez avec un réglage de bureau normal plutôt qu'avec la plus petite taille de fichier, pour que les petits caractères restent nets.
• Remettez les pages dans le bon sens avant l'envoi. Google donne le même conseil pour son convertisseur[2].
• Pour un long fichier, enregistrez à part la page qui vous intéresse et envoyez-la seule, puisque l'outil gratuit lit la page 1.
• Retirez le mot de passe d'un PDF protégé. L'outil ne peut pas l'ouvrir.

Que devient votre PDF ?

Le PDF part chez le prestataire OCR de LoreAI, qui le lit une fois et le supprime aussitôt. Le texte reste 1 heure sur le serveur de LoreAI pour que vous puissiez l'ouvrir après l'inscription, puis il est supprimé.

Questions fréquentes