Fichiers TXT : le texte brut, et ce que « brut » laisse de côté
Pourquoi le texte brut n’a pas de mise en forme, le rôle de l’encodage et des fins de ligne, et ce que donne l’extraction du texte d’un PDF. En TXT, sans envoi.
En bref
- Type
- Documents
- Extensions
- .txt
- Type MIME
- text/plain
Un fichier .txt, ce sont des caractères et rien d’autre — pas de polices, pas de tailles, pas de gras, pas de titres, pas d’images, pas de structure de page. Cette absence est justement l’intérêt : le texte brut est le format que tous les outils de toutes les plateformes savent lire, qui s’ouvrira encore dans cinquante ans, et qu’il est trivial de rechercher, de filtrer avec grep, de comparer et de transmettre à un autre programme.
Lire la suite
Deux détails invisibles causent l’essentiel des problèmes avec les fichiers texte. L’encodage : les mêmes octets désignent des caractères différents en UTF-8, en Windows-1252 ou en GB18030, ce qui explique qu’un fichier puisse s’ouvrir en texte lisible dans un éditeur et en charabia dans un autre. Tout ce qu’écrit ce site est en UTF-8, l’encodage par défaut aujourd’hui. Et les fins de ligne : Windows utilise un retour chariot suivi d’un saut de ligne, Unix et macOS le saut de ligne seul, ce qui explique qu’un fichier apparaisse parfois sur une seule longue ligne ou se retrouve avec des caractères parasites.
Extraire le texte d’un PDF est la façon la plus courante d’arriver ici, et il vaut la peine de savoir exactement ce qui survit. Les lignes sont reconstruites d’après la position des glyphes sur la page : le résultat garde donc ses sauts de ligne. La structure des paragraphes, les titres, la mise en valeur, les tableaux et les colonnes ne peuvent tout simplement pas être représentés en texte brut — si vous en avez besoin, c’est Word qu’il faut viser, par la même méthode, y compris la reconnaissance sur l’appareil quand le PDF est un scan.
Convertir TXT vers d’autres formats
Convertir d’autres formats en TXT
FAQ : TXT
Quel encodage utilise le résultat ?
L’UTF-8, l’encodage par défaut aujourd’hui, qui gère toutes les langues. Si un fichier ressemble à du charabia dans un vieil éditeur, c’est probablement que cet éditeur suppose un ancien encodage.
Pourquoi mon fichier texte s’affiche-t-il sur une seule longue ligne ?
À cause des différences de fins de ligne. Windows attend un retour chariot suivi d’un saut de ligne ; Unix et macOS utilisent le saut de ligne seul. Certains éditeurs Windows affichent donc un fichier Unix sur une seule ligne.
Que perd-on en extrayant le texte d’un PDF ?
Tout sauf les caractères et les sauts de ligne : pas de titres, pas de gras, pas de tableaux, pas d’images, pas de colonnes. Si vous avez besoin de la structure, convertissez plutôt en DOCX.
Pourquoi mon PDF sur deux colonnes est-il mélangé dans le fichier texte ?
Parce qu’un PDF stocke des glyphes positionnés plutôt que des colonnes : l’ordre de lecture doit être déduit — et, pour les mises en page sur plusieurs colonnes, la déduction est souvent fausse. C’est inhérent au format.
Cela fonctionne-t-il avec les PDF scannés ?
Oui. Quand un PDF n’a pas de couche de texte, un modèle de reconnaissance par IA s’exécute dans votre navigateur pour lire les caractères sur les images des pages. Rien n’est envoyé.
Pourquoi choisir le TXT plutôt que le DOCX ?
Quand vous voulez les mots plutôt qu’un document — pour les rechercher, les coller dans des notes, les transmettre à un autre outil, ou conserver quelque chose qui s’ouvrira encore dans des décennies.