Nettoyer un texte copié depuis un PDF ou un site web

Un texte copié depuis un PDF arrive avec un retour à la ligne à la fin de chaque ligne visible, parce qu'un PDF enregistre des lignes positionnées et non des paragraphes. Le nettoyer consiste à recoller ces retours simples tout en gardant les lignes vides qui séparent les paragraphes, puis à normaliser les espaces, les guillemets et les caractères invisibles que Word, les e-mails et les pages web ajoutent en chemin.

La méthode rapide : extrayez le texte avec PDF en texte, collez-le dans Nettoyer un texte et laissez cochées les options Recoller les lignes coupées (garder les paragraphes), Guillemets typographiques → droits, Supprimer les balises HTML, Réduire les espaces et Supprimer les caractères invisibles. Le résultat se met à jour à mesure, et tout fonctionne dans votre navigateur : un document confidentiel ne quitte pas votre appareil.

Les façons de nettoyer, et quand les choisir

Méthode	Adaptée à	Points de vigilance
Un outil dans le navigateur, comme ici	Une passe sur une page ou un chapitre, avec avant/après visible	Les très longs documents dépendent de la mémoire du navigateur
Le rechercher-remplacer d'un traitement de texte	Un texte déjà ouvert dans Word ou LibreOffice	Marque de paragraphe et saut de ligne sont deux caractères différents
Un éditeur de code avec expressions régulières	Refaire le même nettoyage chaque semaine	Une erreur d'expression régulière est vite faite et difficile à repérer

Dans Microsoft Word, le rechercher-remplacer comprend ^p pour une marque de paragraphe et ^l pour un saut de ligne : remplacez ^p^p par un repère, puis ^p par une espace, puis le repère par ^p^p — c'est la version manuelle du recollage. Le collage sans mise en forme se fait par Ctrl+Alt+V → Texte sans mise en forme, et par Ctrl+Maj+V ou Cmd+Maj+V dans la plupart des navigateurs et dans Google Docs. Sur macOS, TextEdit retire tout avec Format → Convertir au format texte (Maj+Cmd+T) ; sur Windows, un collage dans le Bloc-notes fait la même chose. Ces méthodes retirent la mise en forme, mais ne recollent pas les lignes, ne redressent pas les guillemets et ne suppriment pas les caractères invisibles.

1. Extraire le texte

PDF en texte extrait toutes les pages d'un coup, avec des séparateurs de pages facultatifs, et propose le résultat en téléchargement .txt : plus rapide et plus complet qu'une sélection page par page. La couche de texte est lue avec pdf.js et reconstituée à partir de la position de chaque fragment, donc un article sur deux colonnes ou un tableau peut ressortir dans un ordre qui ne correspond pas à la mise en page.

Si le résultat est vide, le PDF est un scan : que des images de texte, sans couche de texte. Il faudrait une reconnaissance de caractères, que ces outils ne font pas. Le guide Extraire le texte d'un PDF détaille les différents cas.

2. Recoller les lignes coupées

Recoller les lignes coupées remplace un retour simple par une espace et laisse les doubles retours intacts : les lignes coupées fusionnent, les paragraphes survivent. Une limite mérite d'être connue : l'option ne peut conserver que les paragraphes réellement séparés par une ligne vide. Quand un PDF sépare ses paragraphes par un simple retour, comme toutes les autres lignes, le recollage produit un bloc unique et les paragraphes doivent être rétablis à l'œil.

Désactivez l'option pour du code, des tableaux ou des listes d'adresses, où chaque retour à la ligne a un sens.

3. Normaliser espaces et caractères invisibles

Un texte venu d'un PDF, de Word ou d'un site contient quantité de caractères qui ressemblent à des espaces sans en être :

• Les espaces insécables (U+00A0) paraissent normales, mais une recherche de « New York » ne trouvera pas « New » + insécable + « York », et les formules de tableur échouent dessus.
• Les caractères de largeur nulle — espace, liant et antiliant, gluon de mots, marque d'ordre des octets — sont totalement invisibles et se collent souvent depuis une page web.
• Les traits d'union conditionnels (U+00AD) indiquent où un mot peut se couper : invisibles jusqu'à ce que le texte soit recomposé, ils font alors apparaître un tiret au milieu d'un mot.
• Les doubles espaces après un point, et les espaces en fin de ligne.

Supprimer les caractères invisibles efface les caractères de largeur nulle et les traits d'union conditionnels ; Réduire les espaces ramène les suites d'espaces à une seule. Une espace insécable isolée y survit cependant : si une recherche échoue encore, passez le texte dans Supprimer les espaces en trop en cochant Normaliser espaces insécables et invisibles.

4. Redresser les guillemets pour le code et les données

Les guillemets typographiques (« » “ ” ’) conviennent à un texte publié et cassent tout le reste : code, fichiers CSV, JSON, imports de bases de données. Guillemets typographiques → droits les transforme en " et '. L'option distincte Tirets et points de suspension → ASCII remplace les tirets demi-cadratin, cadratin et le signe moins par un trait d'union, et … par trois points ; laissez-la décochée si le texte part à l'impression.

5. Mettre les lignes en ordre

• Supprimer les lignes vides transforme une liste aérée en un élément par ligne, prêt à coller dans une colonne de tableur.
• Supprimer les lignes en double est le moyen le plus rapide d'éliminer l'en-tête ou le pied de page répété à chaque page extraite.
• Compteur de mots confirme ce que vous obtenez — voir Comment compter les mots pour les règles appliquées par les différents outils.

Problèmes fréquents, et ce qu'ils signifient

Les mots sont collés : « lerapportmontre ». Certains PDF positionnent chaque glyphe individuellement et n'enregistrent aucun caractère d'espace. Il n'y a rien à nettoyer : les espaces n'ont jamais existé dans le fichier. Cherchez une autre source, par exemple une version HTML du document.

Les caractères accentués ressortent faux. Le PDF intègre un sous-ensemble de police sans table de correspondance correcte : les codes extraits ne correspondent pas aux lettres affichées. Le texte est erroné à la source, aucun nettoyage ne le répare.

Les mots coupés restent coupés : « recom- mandation ». Le PDF a coupé le mot en fin de ligne, et le recollage conserve le tiret. Cherchez « - » dans le résultat et corrigez à la main : une correction automatique abîmerait les mots réellement composés avec un trait d'union.

La copie est bloquée dans le lecteur. Les autorisations du document interdisent la copie. Ce sont des consignes au lecteur, pas du chiffrement — mais un fichier protégé par mot de passe doit d'abord être déchiffré pour que son texte soit lisible.

Deux colonnes s'entremêlent. L'extraction suit les positions, pas l'ordre de lecture. Sélectionnez une colonne à la fois dans une visionneuse, ou acceptez le travail de remise en ordre.

Les puces sont devenues des symboles étranges. Les puces de liste sont souvent dessinées avec une police de symboles. Supprimez-les par un rechercher-remplacer une fois les lignes recollées.

Questions fréquentes

Mon texte est-il envoyé ? Non. Tous ces outils fonctionnent dans votre navigateur : vous pouvez y traiter des documents confidentiels. Les outils de texte continuent même sans connexion ; l'extraction d'un PDF, elle, télécharge d'abord le moteur PDF.

Pourquoi un PDF coupe-t-il les lignes ? Un PDF décrit où chaque ligne de texte se trouve sur la page. Il n'y a pas d'objet « paragraphe » à copier : le lecteur vous donne ce qu'il voit, des lignes séparées.

Puis-je nettoyer du code ? Oui, en décochant Recoller les lignes coupées : dans du code, les retours à la ligne ont un sens. Redresser les guillemets, en revanche, est en général souhaitable.

Cela fonctionne-t-il sur téléphone ? Oui, sous Safari et Chrome mobiles, même si coller un long document sur un téléphone reste inconfortable.

Puis-je comparer le texte nettoyé à l'original ? Oui : voir Comparer deux textes.

Et un texte copié depuis un e-mail ? Même routine. L'e-mail ajoute des marqueurs de citation > et des lignes coupées à 72 caractères : retirez les marqueurs, puis recollez.

Pour aller plus loin

• Extraire d'abord, nettoyer ensuite : PDF en texte
• Traiter les espaces seuls : Supprimer les espaces en trop
• Vérifier le résultat : Compteur de mots