PDF en texte

Extrayez le texte d’un PDF et enregistrez-le dans un fichier .txt brut, en conservant l’ordre de lecture et les colonnes.

Déposez vos fichiers ici

.pdf · jusqu’à 300 Mo

Choisissez des fichiers

Paragraphes en continuConserver la mise en page

Plus de réglages

PagesMarquer les sauts de pageRassembler les mots coupés par un trait d’unionEncodage

Comment extraire le texte

1
Ajoutez votre PDF
Déposez un fichier ou jusqu’à vingt. Le document est ouvert par votre propre navigateur, rien ne circule sur le réseau.
2
Choisissez flux ou mise en page conservée
Le mode flux reconstruit les paragraphes pour la lecture et la modification. Le mode conservé garde les mots à leur place sur la page, espaces compris.
3
Téléchargez le .txt
Cliquez sur le bouton et enregistrez le fichier. Un lot de PDF revient sous la forme d’un seul fichier ZIP contenant les fichiers texte.

L’ordre de lecture vient de la page, pas du fichier

Un PDF stocke le texte sous forme de milliers de fragments positionnés, dessinés dans l’ordre choisi par le programme qui l’a créé. Si l’on relit ces fragments dans cet ordre brut, un article en deux colonnes devient une alternance de demi-phrases. Cet outil ignore l’ordre interne du fichier et reconstruit la page : les fragments sont regroupés en lignes selon leurs lignes de base, les lignes sont regroupées en colonnes suivant les zones vides qui descendent dans la page, et les colonnes sont lues de gauche à droite. Les paragraphes se terminent quand l’écart vertical dépasse l’interligne habituel, et les mots coupés en fin de ligne avec un trait d’union sont ressoudés. Vous obtenez un texte à coller directement dans un courriel, un traducteur ou un script, sans devoir le nettoyer avant.

Mise en page, encodage et plages de pages

Le mode flux sert à la lecture : un paragraphe par bloc, pas de retours à la ligne en zigzag. Le mode conservé garde la géométrie d’origine en ajoutant des espaces, ce qu’il faut pour les reçus, les listes, le code et tout ce où les colonnes ont un sens. La sortie est en UTF-8 par défaut, avec une variante UTF-8 avec BOM pour les anciens outils Windows et une option Windows-1251 pour les systèmes cyrilliques anciens. Si trop de caractères ne rentrent pas dans cette page de code, vous êtes prévenu avant l’écriture du fichier et non après. Les marques de pages peuvent être désactivées, et vous pouvez extraire une plage comme 1-3, 5 au lieu de tout le document.

Le document ne quitte jamais votre appareil

L’extraction s’exécute dans l’onglet de votre navigateur : le PDF est analysé en mémoire, le texte y est assemblé, puis le .txt est envoyé directement dans votre dossier de téléchargements. Rien n’est uploadé, rien n’est mis en file d’attente sur un serveur, et aucune copie n’existe à supprimer plus tard. Fermez l’onglet et tout disparaît, ce qui rend les contrats et les dossiers médicaux sûrs à traiter ainsi.

Questions fréquentes

Pourquoi rien ne sort de mon PDF scanné ?

Parce qu’un scan est une image de texte, pas du texte. Il n’y a aucune couche de texte à extraire, vous obtenez donc un message clair et un lien vers l’OCR, qui lit les lettres dans l’image et rend le document consultable. Ensuite, l’extraction fonctionne normalement.

Quelle est la différence entre flux et conservé ?

Le mode flux regroupe les lignes en paragraphes et supprime les retours à la ligne d’origine, ce qui convient à la lecture et à la modification. Le mode conservé garde chaque mot à sa position sur la page à l’aide d’espaces, ce qui convient mieux aux tableaux, reçus et listings à largeur fixe.

Comment sont gérées les colonnes et les tableaux ?

Les colonnes sont détectées par la marge vide qui les sépare, donc la colonne de gauche est lue entièrement avant que la droite ne commence. Les lignes de tableau restent des lignes : une grille de petites cellules n’est jamais prise pour des colonnes, les cellules d’une même ligne restent donc sur une seule ligne de texte.

Les coupures de mot en fin de ligne sont-elles corrigées ?

Oui, en mode flux. Un mot coupé comme infor- en fin de ligne et mation au début de la suivante est réuni en information. Les traits d’union réels à l’intérieur des mots, comme dans dé-hyphénation, restent tels quels.

Gère-t-il le cyrillique, l’arabe et le chinois ?

Oui. Le texte est écrit en UTF-8, donc tous les systèmes d’écriture présents dans le PDF sont conservés, y compris le cyrillique, le grec, l’arabe, l’hébreu, le japonais, le coréen et le chinois. Windows-1251 n’est proposé que pour les chaînes de traitement cyrilliques anciennes qui en ont besoin.

Que devient la mise en forme ?

Elle disparaît, car un fichier .txt n’en contient pas. Gras, couleurs, tailles de police, images et tableaux ne survivent pas. Si vous voulez garder les titres, listes et liens comme structure, convertissez plutôt en Markdown, ou en Word pour un document complet modifiable.

Mon fichier est-il envoyé sur un serveur ?

Non. Tout le traitement se fait dans votre navigateur, qui utilise son propre moteur PDF. Le fichier n’est jamais envoyé ailleurs, il fonctionne sans compte et continue de fonctionner même si votre connexion se coupe au milieu d’un gros document.

Quelle taille de PDF puis-je extraire ?

Jusqu’à 2 Go par fichier, et jusqu’à vingt fichiers à la fois. Les pages sont traitées une par une et rien n’est rendu en image, donc un document de cinq cents pages reste bien en dessous de quelques centaines de mégaoctets de mémoire.