Extraire le texte d'un PDF (et quand c'est impossible)

Un PDF ne stocke pas le texte comme le fait un traitement de texte. Il stocke des fragments — une suite de caractères, une police, un encodage et des coordonnées sur la page — et rien n'y consigne l'ordre dans lequel un humain les lirait. Extraire le texte consiste donc à lire chaque fragment, puis à reconstituer lignes et paragraphes d'après leur position sur la page. Cette reconstruction est le plus souvent juste, parfois fausse : cela explique l'essentiel de ce qui surprend dans le résultat.

La méthode rapide : déposez votre fichier dans PDF en texte, cochez Ajouter des séparateurs de pages si vous voulez savoir d'où vient chaque passage, puis cliquez sur Extraire le texte. Le texte s'affiche avec son nombre de mots, prêt à être copié ou téléchargé en .txt. Le PDF est lu dans votre navigateur : un contrat ou un compte rendu médical ne quitte pas votre appareil. Ce que l'outil ne peut pas faire, c'est inventer un texte absent : un scan contient des images de lettres, pas des lettres.

Les trois façons de récupérer le texte

Méthode	Adaptée à	Points de vigilance
Un outil dans le navigateur, comme ici	Tout appareil, un document entier d'un coup, du texte brut à coller partout	La mise en page n'est pas conservée ; pas d'OCR pour les scans
Un logiciel installé (Poppler, LibreOffice Draw, Acrobat, Tesseract)	L'automatisation, la conservation des colonnes, l'OCR des scans	Installation, et ligne de commande pour les meilleures options
Les fonctions intégrées au système	Un ou deux paragraphes que l'on sélectionne à la main	La sélection d'une page à l'autre est pénible et perd les retours à la ligne

Sur macOS, Aperçu traite très bien le cas simple : ouvrez le PDF, ⌘A puis ⌘C copient le texte de la page. Les versions récentes savent aussi sélectionner le texte d'une page scannée grâce à Live Text, une reconnaissance effectuée sur l'appareil — pratique pour un paragraphe, fastidieux pour un rapport. Sur Windows, Edge ouvre n'importe quel PDF et permet de sélectionner puis copier ; les versions récentes de Windows 11 ajoutent des « actions de texte » dans l'outil Capture d'écran, qui lit le texte d'une capture. Sur iPhone, un appui long dans Fichiers ou Livres sélectionne le texte, et Live Text traite les pages scannées comme des photos. Sur Android, la voie d'OCR gratuite la plus fiable passe par Google Drive : clic droit sur le PDF, Ouvrir avec → Google Docs, et Drive renvoie un document contenant le texte reconnu.

Pour un traitement répétitif, pdftotext -layout fichier.pdf sortie.txt (Poppler) fait référence : l'option -layout conserve à peu près les colonnes au lieu de tout aplatir en un seul flux. LibreOffice Draw ouvre un PDF et permet de copier le texte bloc par bloc. Tesseract est le moteur d'OCR libre de référence quand il n'y a aucune couche texte.

PDF texte ou PDF scanné ?

Tous les PDF ne contiennent pas du texte, même quand ils en ont manifestement l'air.

• Les PDF texte viennent de Word, de Google Docs, d'un navigateur, d'un logiciel de facturation. Les lettres y sont enregistrées comme des caractères : elles s'extraient exactement.
• Les PDF scannés sont des photographies de papier glissées dans un conteneur PDF. Ce que vous lisez comme des lettres est une grille de pixels. Il n'y a rien à extraire.

Le test en cinq secondes : ouvrez le PDF dans n'importe quel lecteur — votre navigateur suffit — et essayez de sélectionner une phrase à la souris. Si les mots se surlignent un par un, il y a une couche texte. Si vous ne pouvez tracer qu'un rectangle sur toute la page, c'est un scan. Les fichiers mixtes sont fréquents : un contrat tapé avec une page de signatures scannée donnera tout, sauf cette page.

S'il s'agit d'un scan, l'outil vous indique qu'aucune couche texte n'a été trouvée plutôt que de vous rendre une zone vide. Deux options : demander l'original à l'expéditeur — il dispose souvent encore du fichier Word — ou passer par un OCR. Quel que soit le moteur, relisez le résultat : les erreurs se concentrent sur les petits caractères, les tableaux, les tampons et l'écriture manuscrite, et un chiffre faux dans un montant se remarque mal.

Ce que l'extraction change

• La mise en forme disparaît volontairement. Gras, italique, titres, polices, couleurs et images ne font pas partie du texte brut.
• Les retours à la ligne viennent de la page, pas de la phrase. Un paragraphe réparti sur six lignes arrive en six lignes, souvent avec des mots coupés par un tiret.
• Les tableaux deviennent des lignes. Les cellules se suivent : le contenu est là, la grille a disparu.
• Les colonnes suivent la position, pas l'ordre de lecture. Deux colonnes, encadrés et zones de texte peuvent ressortir entremêlés.
• Les en-têtes et pieds de page se répètent. Ils figurent sur chaque page : ils apparaissent donc une fois par page.

Nettoyer avant de réutiliser

Coller du texte extrait tel quel dans un document donne rarement un bon résultat, et le corriger à la main prend plus de temps qu'il ne faudrait.

1. Collez-le dans Nettoyer un texte pour rejoindre les lignes coupées, supprimer les espaces doubles et effacer les restes de mise en page.
2. Supprimez vous-même les en-têtes et pieds de page répétés : un outil ne les distingue pas toujours du vrai contenu.
3. Vérifiez la longueur avec le compteur de mots, ou le compteur de caractères si la limite est en caractères.

Le guide Nettoyer un texte copié depuis un PDF détaille ce nettoyage étape par étape.

Problèmes fréquents, et ce qu'ils signifient

Le résultat est vide. Aucune couche texte : c'est un scan, ou les pages sont des images exportées depuis un logiciel de mise en page. Seul un OCR peut aider.

Des caractères étranges, ou des lettres manquantes. Certains PDF intègrent des polices à l'encodage non standard : les codes de caractères du fichier ne correspondent plus aux lettres affichées. Aucun extracteur n'y remédie de façon fiable ; le document d'origine reste la solution sûre.

Une partie seulement du texte apparaît. Le fichier mélange du vrai texte et des images de texte — une annexe scannée, une capture d'écran, un logo contenant une accroche. Seul le vrai texte est renvoyé.

Des mots collés ou coupés. Dans un PDF, l'espacement est souvent dessiné comme un écart entre fragments plutôt qu'écrit comme un caractère espace. La reconstruction déduit les espaces des distances, et une composition inhabituelle la met en défaut.

« Ce PDF est protégé par mot de passe. » Un fichier chiffré ne peut pas être lu tant qu'il n'est pas déchiffré. Utilisez Déverrouiller un PDF si vous connaissez le mot de passe ; sinon, aucun outil ne peut légitimement l'ouvrir.

Questions fréquentes

L'outil fait-il de l'OCR ? Non. Il lit uniquement la couche texte existante, et le dit quand il n'y en a pas.

Mon document est-il envoyé ? Non. L'extraction se fait dans le navigateur, sur votre appareil : le document lui-même ne le quitte jamais.

Puis-je obtenir un fichier Word plutôt que du texte brut ? Pas avec cet outil. Le résultat est du texte brut ; un convertisseur qui reconstruit la mise en forme fait un autre métier, et procède par approximations.

Comment comparer deux versions d'un document ? Extrayez les deux textes, puis collez-les dans Comparer deux textes pour voir ligne à ligne ce qui a changé.

Pourquoi le nombre de mots diffère-t-il de celui du PDF ? Les logiciels ne comptent pas de la même façon les mots composés, les nombres et les en-têtes. Prenez ce chiffre comme un ordre de grandeur.

Pour aller plus loin

• Remettre le texte au propre : Nettoyer un texte
• Vérifier sa longueur : Compteur de mots et le guide Compter les mots d'un texte
• Comparer deux documents : Comparer deux textes et le guide Voir ce qui a changé entre deux versions