Aller au contenu
Convertube

Fichiers PDF : pourquoi il est si difficile d’en extraire le texte

Ce que contient vraiment un PDF, pourquoi sa conversion en Word perd la mise en page, et en quoi un PDF scanné diffère d’un PDF numérique. Sans envoi.

En bref

Type
Documents
Extensions
.pdf
Type MIME
application/pdf
Également appelé
Portable Document Format

Un PDF décrit une page finie plutôt qu’un document. Son flux de contenu est une suite d’opérateurs de dessin — choisir telle police, se placer à telles coordonnées, afficher telle suite de glyphes, tracer tel chemin —, hérités presque directement du PostScript, qu’Adobe avait conçu pour piloter des imprimantes. Cette filiation explique les deux propriétés qui définissent le format : il s’affiche à l’identique partout, parce que rien n’est laissé à l’appréciation de la visionneuse, et il est particulièrement difficile d’en extraire le contenu, parce que la structure que voit un humain n’a jamais été écrite.

Lire la suite

Concrètement, un PDF n’a ni paragraphes, ni lignes, et souvent même pas de mots. Il a des suites de glyphes positionnées. La phrase que vous lisez pourrait être stockée sous forme d’une douzaine de fragments distincts placés à des coordonnées calculées, et l’espace entre deux mots n’être qu’une absence d’encre plutôt qu’un caractère espace. Tout convertisseur PDF vers texte ou PDF vers Word, y compris celui-ci, fait donc de la reconstruction : regrouper les fragments par ligne de base pour retrouver les lignes, deviner où s’arrêtent les paragraphes, déduire les titres de la taille des caractères. Cela fonctionne bien pour de la prose ordinaire et aplatit les colonnes et les tableaux, car l’information nécessaire pour les conserver n’a jamais figuré dans le fichier.

Deuxième chose à savoir : « PDF » recouvre deux situations totalement différentes. Un PDF exporté depuis Word ou un navigateur contient du vrai texte, que l’on peut rechercher et copier. Un PDF produit par un scanner ou l’appareil photo d’un téléphone contient des photos de pages et aucun texte — les mots sont des pixels, et rien ne peut les extraire sans reconnaissance de caractères. Ce site détecte ce cas et exécute un modèle de reconnaissance par IA sur votre propre machine au lieu d’envoyer le fichier, ce qui est rare : l’OCR est normalement le moment où un convertisseur expédie votre document vers un serveur.

Le PDF est aussi le terrain où la confidentialité cesse d’être abstraite. C’est sous ce format que circulent contrats, fiches de paie, relevés bancaires, courriers médicaux, factures et pièces d’identité scannées. Chaque conversion ici se déroule dans la page — le PDF est ouvert, rendu et lu par du code qui tourne dans votre navigateur, et aucune requête ne transporte le fichier. C’est la raison pour laquelle ce convertisseur est construit ainsi, et le PDF est la catégorie où cela compte le plus.

Outils PDF

Modifications au niveau des pages — aucune conversion. Les 14 outils s’exécutent sur votre appareil.

Convertir PDF vers d’autres formats

Convertir d’autres formats en PDF

FAQ : PDF

Pourquoi la conversion PDF vers Word n’est-elle jamais fidèle ?

Parce qu’un PDF stocke des glyphes positionnés, pas une structure. Convertir, c’est déduire les paragraphes, les titres et l’ordre de lecture à partir de coordonnées, et il est impossible de retrouver un tableau ou une mise en page en deux colonnes qui n’a jamais été enregistré comme tel. Un convertisseur qui préserve mieux la mise en page y parvient en rendant la page sur un serveur équipé d’une suite bureautique complète — ce qui suppose de recevoir votre fichier.

Comment savoir si mon PDF est scanné ?

Essayez de sélectionner du texte dans un lecteur PDF. Si vous pouvez sélectionner et copier des mots, le fichier possède une couche texte. Si votre curseur trace plutôt un rectangle sur une image, c’est un scan, et toute extraction de texte nécessite une reconnaissance de caractères.

L’OCR de ce site envoie-t-il mon document quelque part ?

Non. Quand un PDF n’a pas de couche texte, un modèle de reconnaissance par IA — un réseau de neurones de cinq millions de paramètres — est téléchargé dans votre navigateur et s’y exécute. Environ 21 Mo la première fois, puis il est mis en cache. Tous les convertisseurs concurrents qui proposent l’OCR envoient au contraire le fichier à un serveur.

Quelle est la précision de la reconnaissance ?

Environ 98 % des caractères sur des documents imprimés propres lors de nos propres tests, en chinois comme en anglais. Les vrais scans sont plus difficiles — tampons, écriture manuscrite, basse résolution et page numérisée de travers font tous baisser ce chiffre. Considérez le résultat comme un brouillon à vérifier face à l’original.

Pourquoi la taille maximale des PDF est-elle bien plus basse que celle des vidéos ?

80 Mo, car les pages sont rendues en mémoire sous forme d’images matricielles en pleine résolution, et ce coût se mesure en pixels plutôt qu’en fonction de la compression du PDF. Une conversion vidéo traverse le fichier en flux ; une page PDF doit exister entièrement sous forme d’image matricielle d’un seul coup.

Quelle conversion PDF choisir ?

Le TXT si vous voulez les mots pour les rechercher ou les coller. Le DOCX si vous voulez modifier le texte et pouvez accepter de perdre la mise en page. Le JPG ou le PNG si vous voulez que la page reste exactement telle qu’elle est — le JPG pour les scans photographiques, le PNG pour le texte et les schémas.

Puis-je transformer des images en PDF ?

Oui, et sans perte : le PDF transporte nativement les données JPEG et PNG, donc l’image est intégrée telle quelle au lieu d’être recompressée. La page obtenue reprend les dimensions en pixels de l’image au lieu d’être ajustée au format A4.

Les PDF protégés par mot de passe sont-ils pris en charge ?

Non. Un PDF chiffré ne peut être ouvert ni pour la lecture ni pour le rendu, et la tâche échoue avec un message qui l’indique plutôt que de produire des pages blanches. Retirez d’abord le mot de passe dans un lecteur PDF.