Extracteur de texte PDF

Extraire localement le texte sélectionnable d'un PDF

Copier du texte depuis un PDF n'est pas toujours pratique, surtout quand le document compte de nombreuses pages ou que vous avez besoin du texte dans un simple éditeur. Cet outil de PDF en texte lit le texte sélectionnable de chaque page et le place dans une seule zone de texte que vous pouvez copier ou télécharger sous forme de fichier TXT. Il fonctionne entièrement dans votre navigateur avec pdfjs-dist : le PDF source n'est donc ni envoyé ni stocké par un service distant. L'extracteur est utile pour des notes de recherche, des citations, des contrats, des rapports, des factures, des manuels et tout PDF dont la couche de texte existe déjà.

Texte sélectionnable et images numérisées

Les PDF peuvent stocker le texte de différentes façons. Un PDF nativement numérique, par exemple exporté depuis un traitement de texte, contient généralement un vrai texte sélectionnable. Un PDF numérisé peut ne contenir que des images de pages. Si une numérisation a déjà été traitée par OCR, l'extraction du texte peut fonctionner, car la couche OCR est cachée derrière l'image. S'il ne contient que des images, cet outil ne peut pas inventer de texte à partir des pixels : lancez d'abord une OCR, puis extrayez la couche de texte obtenue. Votre navigateur charge le document depuis la mémoire locale, demande à chaque page son contenu textuel et rassemble les résultats avec des étiquettes de page.

Nettoyer le texte extrait

L'ordre du texte dans un PDF dépend de la façon dont le fichier d'origine a été construit. Les pages simples s'extraient généralement proprement, tandis que les mises en page à plusieurs colonnes, les tableaux, les en-têtes, les pieds de page et le texte pivoté peuvent nécessiter un nettoyage manuel. Relisez le résultat avant de le citer ou de le réutiliser. L'outil ajoute des séparateurs de page afin que vous puissiez retrouver la page d'origine du texte et corriger les sauts de ligne ou les espaces qui ne correspondent pas à l'ordre de lecture initial. Le résultat est du texte brut, facile à coller dans un document, à rechercher dans un éditeur de code, à intégrer à un autre flux de travail local ou à enregistrer à côté du PDF d'origine.