Extraire le texte d’un PDF et l’enregistrer en TXT

Importez le PDF dans PDF en texte, choisissez le mode et téléchargez un TXT en UTF-8. Passez d’abord les scans dans OCR PDF : les pages reconnues arrivent dans le TXT quel que soit le mode, mais « mise en page » s’y comporte comme « simple ».

L’outil PDF en texte récupère la couche de texte d’un PDF et l’enregistre dans un fichier TXT encodé en UTF-8. Ce fichier se prête bien à la recherche, à la citation, à l’import dans un autre logiciel ou au traitement par script. Les images, les polices, les couleurs et les cellules de tableau ne passent pas dans le TXT : il reste les caractères, les retours à la ligne et quelques lignes techniques qui repèrent les pages.

PDF en texte n’intègre pas de reconnaissance de caractères. Si vos pages sont des scans ou des photos, il faut d’abord une étape d’OCR distincte, et seulement ensuite l’extraction.

Vérifier que le PDF contient du texte

Ouvrez le PDF dans n’importe quelle visionneuse et essayez de sélectionner une phrase. Si des mots isolés se surlignent et que vous pouvez les coller dans un éditeur de texte simple, le document possède une couche de texte. Si seule la page entière se sélectionne, comme une image, c’est un scan.

Vérifiez plusieurs pages, pas seulement la première. Un même fichier mêle souvent pages issues de Word et annexes scannées avec signatures et tampons. Les raisons pour lesquelles un texte refuse de se sélectionner sont détaillées dans Pourquoi le texte d’un PDF ne se sélectionne pas et ne se copie pas.

Un fichier qui exige un mot de passe à l’ouverture sera refusé, avec un message qui l’indique. Retirez d’abord le mot de passe, comme expliqué dans Enlever le mot de passe d’un PDF.

Extraction pas à pas

1. Ouvrez PDF en texte et faites glisser le fichier dans la zone d’import ou choisissez-le sur votre appareil. Chaque traitement porte sur un seul PDF. 2. Dans les paramètres, réglez « Mode texte » sur « simple » (valeur par défaut) ou « mise en page ». 3. Décidez si vous avez besoin de la case « Sauts de page ». Elle est cochée par défaut. 4. Vous pouvez laisser vide le champ « Nom du fichier de sortie » : un nom est attribué automatiquement. 5. Cliquez sur « Traiter le fichier », attendez la fin et téléchargez le TXT. 6. Ouvrez le résultat dans un éditeur qui gère l’UTF-8 et lisez les avertissements éventuels affichés à côté du résultat.

Quel mode choisir : « simple » ou « mise en page »

Le mode « simple » restitue le texte dans l’ordre où il est enregistré dans le fichier, sans espaces d’alignement. Pour des lettres, des contrats et des articles exportés d’un traitement de texte, cet ordre correspond en général à l’ordre de lecture. Le mode « mise en page » reproduit la position sur la page : il ajoute des espaces et des lignes vides pour que les mots se retrouvent à peu près à leur place sur la feuille.

Une liste de prix montre bien la différence. Imaginons un tableau dont une ligne contient la référence AB-120, le produit « Câble » et le prix 250. En mode « mise en page », la ligne du tableau reste une ligne : référence, désignation et prix se suivent, séparés par des espaces. En mode « simple », le même extrait peut sortir colonne par colonne — d’abord toutes les références, puis toutes les désignations, puis tous les prix — si le tableau est enregistré ainsi dans le fichier. Le lien entre un produit et son prix est alors perdu.

Avec un texte sur deux colonnes, c’est l’inverse. « mise en page » place les colonnes côte à côte : chaque ligne du TXT contient une ligne de la colonne de gauche puis, après une série d’espaces, une ligne de celle de droite. La lecture suivie devient pénible. « simple » donne plus souvent toute la colonne de gauche, puis celle de droite. En cas de doute, traitez le fichier deux fois et comparez les deux résultats sur la même page.

Scans passés à l’OCR : ce que donne chaque mode

OCR PDF conserve l’image de la page et lui ajoute une couche invisible de texte reconnu. Le mode « simple » lit toute cette couche ; « mise en page » n’en voit qu’une partie, voire rien. En mode « mise en page », l’outil vérifie donc chaque page : si ce mode y trouve moins de 80 % des lettres et chiffres trouvés par « simple », la page est reprise du mode « simple ». Ainsi, les pages reconnues ne sortent plus vides, et l’avertissement d’absence de couche de texte n’apparaît plus à tort.

La contrepartie : sur ces pages, « mise en page » donne le même résultat que « simple », sans colonnes côte à côte. La décision se prend page par page : dans un fichier mixte, les pages au texte natif gardent leur disposition. Pour un scan, reconnaissez-le dans OCR PDF, téléchargez le résultat et importez-le dans PDF en texte ; le mode peut rester sur « simple ». Le choix de la langue de reconnaissance et le contrôle de l’OCR sont traités dans Comment faire l’OCR d’un PDF scanné.

Ce que contient le fichier TXT

Chaque page commence par une ligne de repère : `--- Page 1 ---`, `--- Page 2 ---`, etc. Ces repères sont rédigés dans la langue de l’interface du site depuis lequel vous avez lancé le traitement. Si une page ne contient aucun texte, le repère est suivi de `(page vide)`. Cette ligne vous aide à repérer les feuilles scannées dans un document mixte : l’avertissement de résultat vide n’apparaît que si aucune page ne contient de texte.

La case « Sauts de page » insère un caractère de saut de page avant le repère de chaque page suivante (form feed, code 0x0C, souvent noté `\f` en programmation). Les éditeurs l’affichent différemment : espace vide, petit carré, ou symbole FF ou ^L. Les imprimantes et certains logiciels le comprennent comme l’ordre de commencer une nouvelle feuille.

Si vous décochez la case, seul ce caractère disparaît. Les repères de page restent dans tous les cas, et c’est utile : ils indiquent de quelle page provient une citation.

Nettoyer les lignes techniques

Si les repères vous gênent, supprimez-les avec un rechercher-remplacer par expression régulière. Dans des éditeurs comme VS Code, Notepad++ ou Sublime Text, le motif `^--- Page \d+ ---$` avec un remplacement vide suffit. Le caractère de saut de page se recherche sous la forme `\f` ou `\x0C`. Dans un script, découpez le texte en pages sur `\f` : avec les sauts activés, chaque morceau commence par le repère de sa page.

Après le texte de chaque page, l’outil ajoute une ligne vide, que vous pouvez aussi retirer. En revanche, les en-têtes, les numéros de page imprimés dans le document et les en-têtes de tableau répétés restent en place : ils font partie de la couche de texte. Vérifiez qu’il s’agit bien de répétitions avant de les supprimer.

Problèmes fréquents et comment les reconnaître

• Le TXT est vide et un avertissement parle de couche de texte. Le fichier est un scan. Passez-le dans OCR PDF, puis importez le fichier reconnu dans PDF en texte.
• Après l’OCR, « mise en page » n’a pas placé les colonnes côte à côte. C’est normal : les pages reconnues sortent comme en mode « simple ». Les colonnes ne sont conservées que sur les pages au texte natif.
• Les prix ne sont plus en face des produits. Le tableau est enregistré colonne par colonne. Pour un PDF au texte natif, essayez le mode « mise en page » et, s’il vous faut de vraies cellules, lisez Extraire des tableaux PDF vers Excel.
• Des symboles bizarres remplacent les lettres. Le PDF intègre une police sans table de correspondance correcte : à l’écran les lettres sont justes, mais la couche de texte contient d’autres codes. Vérifiez si le même passage se copie correctement depuis une visionneuse ; s’il en sort aussi du charabia, le problème vient du fichier lui-même.
• Après l’OCR, O et 0 ou l et 1 sont confondus. Les erreurs de reconnaissance passent telles quelles dans le TXT. Contrôlez à la main les références, les montants et les dates.
• Les accents sont devenus illisibles. Un ancien logiciel a ouvert le fichier UTF-8 avec un autre encodage. Rouvrez-le en choisissant explicitement UTF-8, par exemple via un assistant d’import de texte.

Vérifier le résultat avant de l’utiliser

Lisez le début, le milieu et la dernière page du TXT et comparez-les au PDF. Examinez à part notes de bas de page, tableaux et colonnes : l’ordre des lignes s’y casse le plus souvent. Pour les citations, comparez chaque extrait à sa page source ; le repère vous en donne le numéro. Conservez le PDF à côté du TXT : si le mode choisi ne convient pas, vous pouvez extraire à nouveau le texte avec l’autre.