Comment convertir un PDF en HTML pour le lire dans un navigateur

« PDF en HTML » produit un seul fichier .html avec le texte de chaque page et des liens vers les pages. « Intégrer les ressources » ajoute une image de chaque page dans le fichier, mais l’alourdit beaucoup. Un scan sans OCR affiche « (page vide) ».

Un document est parfois plus pratique dans un navigateur que dans une visionneuse PDF : on cherche un mot avec Ctrl+F, on copie un paragraphe, on envoie un fichier qui s’ouvre sur n’importe quel appareil. C’est le rôle de l’outil PDF en HTML : il extrait le texte du PDF et le range page par page dans un seul fichier HTML.

Mieux vaut savoir à l’avance ce que l’on obtient. Le résultat est une copie pour lire et chercher, pas une page web mise en forme. Voici ce qui entre dans le fichier, comment fonctionnent les deux réglages de l’outil, que faire des scans et comment vérifier rapidement le résultat.

Ce que vous obtenez

Le résultat est un seul fichier `.html`, pas une archive ZIP avec un dossier d’images. Par défaut, il s’appelle `converted_` suivi du nom du PDF source ; vous pouvez choisir un autre nom dans le champ « Nom du fichier de sortie ». Les styles et les images (si vous les activez) sont stockés dans le fichier lui-même : il s’ouvre hors ligne, se joint à un e-mail ou se copie sur une clé USB sans rien perdre.

Dans le fichier, chaque page du PDF devient un bloc distinct avec un titre du type « Page 1 », « Page 2 », etc. Le texte de la page s’affiche dans une police à chasse fixe et conserve les retours à la ligne et les retraits de l’original. Les libellés « Page N » et les mentions techniques sont rédigés dans la langue dans laquelle le site est ouvert.

Vérifiez d’abord que le PDF contient du texte

L’outil ne reconnaît pas les lettres dans les images : il utilise la couche de texte déjà présente dans le PDF. Le test est simple : ouvrez le PDF, sélectionnez une phrase et collez-la dans un éditeur de texte. Si des mots normaux apparaissent, la couche de texte existe. Si rien ne se sélectionne ou si le collage donne une suite de caractères sans sens, le HTML affichera la même chose.

Le cas typique est un scan ou une photo de document. Un tel PDF se convertit sans erreur, mais chaque bloc affiche « (page vide) » à la place du texte. Deux solutions :

• Passer d’abord par OCR PDF : l’outil ajoute au scan une couche de texte invisible. Téléchargez le PDF reconnu, puis chargez ce fichier dans « PDF en HTML ». Les lignes sont conservées, pas l’alignement : un seul espace sépare colonnes et cellules. La reconnaissance est détaillée dans comment faire l’OCR d’un PDF scanné.
• Si le texte ne vous sert pas et que vous voulez seulement lire le scan dans le navigateur, activez « Intégrer les ressources ». Les pages apparaîtront sous forme d’images, mais le fichier deviendra bien plus lourd et la recherche de mots ne fonctionnera pas.

La conversion étape par étape

1. Ouvrez « PDF en HTML » et faites glisser le PDF dans la zone de dépôt, ou cliquez sur « ou choisissez sur votre appareil ». Un seul fichier est traité à chaque fois. 2. Dans le bloc « Paramètres », saisissez si besoin un nom dans « Nom du fichier de sortie ». 3. Décidez si vous voulez les images des pages : c’est le rôle de « Intégrer les ressources » (désactivé par défaut). 4. Laissez cochée ou décochez « Inclure la navigation » (activée par défaut). 5. Cliquez sur « Traiter le fichier », attendez la fin, puis cliquez sur « Télécharger ».

Si le PDF exige un mot de passe à l’ouverture, le traitement s’arrête avec un message à ce sujet. Retirez d’abord la protection ; si vous connaissez le mot de passe, la démarche est décrite dans enlever le mot de passe d’un PDF. Les limites de taille et de nombre de pages sont indiquées directement sur la page de l’outil.

Texte seul : « Intégrer les ressources » désactivé

C’est le fonctionnement par défaut, et il suffit dans la plupart des cas : le fichier est léger, le texte se recherche, se sélectionne et se copie. N’attendez pas pour autant la reconstitution de la mise en page d’origine. Le texte est placé à peu près là où il se trouvait sur la feuille, ce qui signifie :

• deux colonnes défilent côte à côte sur les mêmes lignes : une ligne de la colonne de gauche, puis, après une série d’espaces, une ligne de celle de droite ;
• les colonnes d’un tableau ne tiennent que par des espaces, ce n’est pas un vrai tableau HTML ;
• les en-têtes, pieds de page et numéros de page restent dans le texte de chaque page.

Sur un grand écran, cette disposition se lit plutôt bien. Sur un téléphone, les longues lignes reviennent à la ligne et les colonnes peuvent se mélanger. Si le document est composé sur deux colonnes et sera lu sur mobile, vérifiez une telle page au préalable.

Images des pages : quand activer « Intégrer les ressources »

Le nom de l’option n’est pas très parlant : ici, les « ressources » sont les images des pages. Une fois l’option activée, l’image de chaque page au format PNG apparaît au-dessus de son texte, intégrée directement dans le HTML. Le texte en dessous est conservé : la recherche et la copie fonctionnent partout où le PDF possède une couche de texte.

C’est utile quand le sens tient à l’apparence : un schéma de branchement dans une notice, un plan, un tampon et une signature, des formules, un tableau complexe. Par exemple, dans la notice d’un appareil, le schéma de la page deux n’apparaît pas du tout dans la version texte seul ; il ne reste que ses légendes.

Le prix à payer, c’est la taille. Chaque image ajoute des données, et le fichier devient beaucoup plus gros que la version texte seul. Un long document avec images peut dépasser la limite des pièces jointes d’une messagerie ou s’ouvrir lentement sur un téléphone modeste. L’image reste une image : le schéma ne devient pas un graphique web modifiable.

La navigation entre les pages

« Inclure la navigation » ajoute en haut du fichier une barre de liens : « Page 1 », « Page 2 », etc. Cette barre est fixe : elle reste en haut de l’écran pendant le défilement, et chaque page est à un clic.

Les liens mènent à des pages, pas à des chapitres ; la table des matières du document source n’est pas reconstituée. Dans un document de plusieurs centaines de pages, la barre s’étend sur plusieurs lignes et occupe une bonne partie de l’écran d’un téléphone. Dans ce cas, décochez « Inclure la navigation » et utilisez la recherche du navigateur pour vous repérer.

Vérifier le résultat et repérer les erreurs courantes

Double-cliquez sur le fichier téléchargé : il s’ouvre dans votre navigateur par défaut. Ensuite :

• appuyez sur Ctrl+F (Cmd+F sur Mac) et cherchez un mot connu situé au milieu du document ;
• sélectionnez et copiez un paragraphe, puis collez-le dans un éditeur ;
• parcourez une page contenant un tableau ou des colonnes ;
• si la navigation est activée, suivez les liens vers le début, le milieu et la fin du document.

Ce qui coince le plus souvent et comment le reconnaître :

• « (page vide) » sur toutes les pages ou presque : le PDF est un scan sans couche de texte, il faut un OCR ;
• « (page vide) » sur quelques pages seulement : il s’agit soit d’une feuille réellement blanche, soit d’une image insérée, par exemple une annexe scannée ;
• les mots de deux colonnes se mélangent : c’est un effet de la disposition ; comparez avec l’image de la page ou avec le PDF ;
• le fichier est beaucoup trop lourd : relancez la conversion avec « Intégrer les ressources » désactivé.

Si vous n’avez besoin que du texte sans balisage, PDF en texte est plus pratique : il enregistre un simple fichier `.txt`.

Avant de publier sur un site web

La copie convertie n’est pas une page web finie. Ses titres sont « Page N » et non les sections du document, les tableaux ne tiennent que par des espaces, et les images des pages portent elles aussi la seule mention « Page N », sans description de leur contenu. La langue déclarée dans le code de la page correspond à celle du site sur lequel vous avez fait la conversion, pas à celle du document.

Pour publier, transférez le texte dans l’éditeur de votre site, posez de vrais titres, refaites les tableaux, décrivez les images et vérifiez l’affichage sur un petit écran. Conservez le PDF source pour comparaison et donnez au HTML un nom explicite, pour que le destinataire ne le prenne pas pour une nouvelle édition du document.