Pourquoi le texte d’un PDF ne se sélectionne pas et ne se copie pas

Passez le fichier dans PDF en texte. Des pages vides dans le TXT signalent un scan ou du texte vectorisé : il faut l’OCR. Une copie interdite sans mot de passe d’ouverture n’empêche pas l’extraction. Contre le charabia, transformez d’abord les pages en images.

Le moyen le plus rapide de trouver la cause consiste à passer le fichier dans PDF en texte et à regarder le TXT obtenu. L’outil reprend la couche de texte du PDF telle quelle : s’il n’y en a pas, le fichier sort presque vide, et si elle est abîmée, vous retrouvez les mêmes caractères étranges qu’au copier-coller. Ce résultat en dit plus qu’un bouton grisé dans votre lecteur.

Il y a généralement quatre causes : la page est un scan ou une photo, le texte a été vectorisé à l’export, l’auteur a interdit la copie dans les réglages de sécurité, ou le lien entre l’apparence des lettres et leur signification est cassé. Voici comment reconnaître chacune et quoi faire.

Commencez par une ligne

Ouvrez le PDF, essayez de sélectionner une phrase ordinaire et collez-la dans un éditeur de texte simple. Recherchez un mot bien visible sur la page. Recommencez sur une autre page : un même document peut mêler des pages scannées et des pages contenant du vrai texte.

Notez ce qui se passe. Rien ne se sélectionne, la page entière se sélectionne d’un bloc, des lettres au hasard apparaissent, ou le lecteur indique clairement que la copie est interdite ? Ces observations sont plus utiles que la taille du fichier. Un gros PDF n’est pas forcément un scan, et un petit ne contient pas forcément du texte. Vérifiez aussi que l’outil de sélection de texte est actif dans le lecteur, et non la main qui sert à déplacer la page.

Ce que révèle le TXT de PDF en texte

Importez le fichier et lancez la conversion avec les réglages par défaut. Dans le TXT, chaque page commence par un repère comme « --- Page 3 --- ». Sous ce repère, vous trouverez l’une de ces trois situations.

• « (page vide) ». Cette page n’a pas de couche de texte : c’est une image ou du texte vectorisé. Si toutes les pages sont ainsi, la tâche affiche en plus l’avertissement « Ce PDF n’a pas de couche de texte ».
• Un texte normal. La couche est en bon état ; le problème vient du lecteur ou des restrictions de sécurité décrites plus bas.
• Des lettres au hasard, des carrés ou un mauvais alphabet. La couche existe, mais elle est abîmée.

Une page vide dans le TXT ne veut pas dire que la tâche a échoué : l’outil vous signale simplement qu’il n’y avait rien à extraire.

La page est un scan ou une photo

Les lettres peuvent faire partie d’une image. Le lecteur les dessine comme les lignes d’un tableau, et l’extraction ne transforme pas une image en caractères. Il faut alors OCR PDF : l’outil reconnaît le texte et ajoute une couche invisible sous l’image, après quoi la recherche et la copie fonctionnent.

Mieux vaut le savoir d’emblée : le champ « langue ocr » ne propose que « auto », « anglais » et « russe ». « auto » lit l’anglais et le russe ensemble. Sans texte russe, choisissez « anglais » : en mode « auto », des lettres latines peuvent devenir des cyrilliques semblables. Le français n’est pas disponible : un texte français est reconnu sans son propre modèle de langue, et les lettres accentuées (é, è, à, ç) peuvent être perdues ou remplacées. Pour un document en anglais, l’OCR fonctionne bien ; pour un texte en français, prévoyez une relecture attentive. Pour un scan de travers, activez « redressement », et dans « qualité ocr » choisissez « précis » si la justesse compte plus que la vitesse.

La qualité de la reconnaissance dépend de l’original. Les petits caractères, l’inclinaison et le bruit causent des erreurs, surtout dans les chiffres. Sur une facture de 12 580 euros, vérifiez séparément le montant, le numéro et la date : un nom de famille bien reconnu ne suffit pas pour faire confiance à toute la page. Si vous disposez d’un scan plus net, partez de celui-là. Les réglages sont détaillés dans Comment faire l’OCR d’un PDF scanné.

Le texte a été vectorisé

Il arrive qu’une page ressemble à un document composé normalement, mais qu’aucune lettre ne se sélectionne et que le TXT affiche « (page vide) ». Une cause fréquente : le texte a été converti en tracés (contours) à l’export depuis un logiciel de mise en page ou lors de la préparation pour l’imprimeur. Chaque lettre est devenue une forme vectorielle, comme une ligne ou un logo, et le fichier ne contient plus de caractères. Si les lettres restent nettes à fort grossissement, ce n’est pas un scan, mais pour la copie cela ne change rien : la page se comporte comme une image.

L’OCR aide ici aussi. Ouvrez le fichier dans Modifier le PDF et cliquez sur « Reconnaître le texte (OCR) » : le panneau affiche l’état de chaque page, « avec texte », « scan » ou « dessin ». La mention « dessin » désigne une page sans texte mais riche en graphismes vectoriels, typique du texte vectorisé. L’option « Pages sans texte » sélectionne à la fois les scans et ce type de pages.

La copie est interdite par les réglages de sécurité

Un PDF peut s’ouvrir sans mot de passe tout en interdisant la copie : l’auteur a fixé des restrictions avec un mot de passe propriétaire. Le lecteur grise alors « Copier » ou affiche un message sur les droits. Ce n’est pas la même chose qu’un mot de passe d’ouverture, sans lequel le fichier n’affiche aucune page.

Si le fichier s’ouvre sans mot de passe, PDF en texte extrait le texte directement ; inutile de déverrouiller quoi que ce soit avant. Si vous devez copier dans le lecteur lui-même, Déverrouiller le PDF supprime ces restrictions : laissez le champ « mot de passe » vide, le mot de passe propriétaire n’est pas nécessaire. Faites-le avec vos propres documents ou avec des fichiers que vous avez le droit d’utiliser. Les restrictions peuvent faire partie d’un accord avec l’auteur, et les lever ne vous donne aucun droit de réutiliser le contenu.

Si le fichier demande un mot de passe à l’ouverture, vous devez le connaître : saisissez-le dans le champ « mot de passe ». L’outil ne devine pas les mots de passe. Sans lui, demandez à l’expéditeur une version accessible. La protection est traitée dans Enlever le mot de passe d’un PDF.

Le texte copié devient du charabia

Un PDF stocke séparément l’apparence d’une lettre et sa signification. Si la table de correspondance de la police est incomplète ou abîmée, la page se lit normalement, mais du charabia arrive dans le presse-papiers. En général, la police ou le mode d’export du document d’origine est en cause. Renommer le fichier en .txt ne corrige rien.

Le mieux est de refaire un export depuis le logiciel d’origine, avec les polices incorporées. Sans fichier source, attention à un piège : OCR PDF ignore les pages qui ont déjà une couche de texte d’au moins 24 caractères hors espaces, même si cette couche est du charabia. La tâche se termine, mais ces pages restent telles quelles.

La parade consiste à transformer d’abord les pages en images. Passez le fichier dans PDF en JPG : vous obtenez une archive ZIP avec une image par page. Importez l’archive entière ou les images décompressées dans JPG en PDF et vérifiez l’ordre des pages. Le nouveau PDF n’a pas de couche de texte, donc OCR PDF reconnaîtra toutes les pages. Les liens et signets de l’original disparaissent et le fichier peut grossir ; conservez donc l’original à côté. JPG en PDF n’accepte qu’un nombre limité d’images par exécution, images du ZIP comprises (limite indiquée sur la page de l’outil). Traitez un long document par parties, réunies ensuite avec Fusionner PDF. Comptez au moins trois opérations de votre limite quotidienne.

Vérifiez le résultat en entier

Ensuite, ouvrez la première page, une page du milieu et la dernière. Recherchez un mot, copiez une phrase et comparez les valeurs importantes avec l’image. Vérifiez les tableaux à part : la présence de texte ne garantit pas le bon ordre des cellules dans le TXT.

Si vous avez besoin de tout le texte et pas d’une simple citation, passez à l’extraction : le choix du mode et le réglage des sauts de page sont expliqués dans comment extraire le texte d’un PDF et l’enregistrer en TXT. Gardez le PDF d’origine à côté du résultat et notez les endroits où la reconnaissance ou l’ordre des lignes ont demandé une correction manuelle.