Convertir un PDF en texte
Un outil gratuit qui extrait le texte d’un PDF et le convertit en fichier texte (TXT). Les pages qui contiennent du texte sont extraites telles quelles, et le texte des pages numérisées est lu par OCR (reconnaissance optique de caractères). Votre PDF est traité dans votre navigateur et n’est jamais envoyé. L’OCR peut lire jusqu’à 200 pages à la fois (30 pages sur les appareils où le traitement est plus long). Vous pouvez ouvrir des PDF jusqu’à 200 Mo par fichier (100 Mo sur téléphones et tablettes).
La première exécution télécharge un modèle d’IA (environ 17 Mo) depuis ce site, seulement si un PDF contient des pages sans texte (comme des pages numérisées) ou au texte corrompu ; les exécutions suivantes utilisent la copie stockée dans votre navigateur. Vos PDF ne sont jamais envoyés.
Réglages
Mode d’emploi
- 1
Ajoutez des PDF
Choisissez ou déposez les PDF à convertir en texte. Vous pouvez ajouter plusieurs PDF à la fois. Vos PDF ne sont jamais envoyés.
- 2
Choisissez la langue du document et les sauts de page
Dans « Langue du document », choisissez la langue dans laquelle le PDF est rédigé (elle sert à lire les pages numérisées). Pour ne convertir que certaines pages, indiquez-les dans « Plage de pages ». Choisissez ce qui sépare les pages dans « Sauts de page ».
- 3
Convertissez et enregistrez
Appuyez sur « Lancer » pour créer un fichier TXT avec le texte du PDF. Enregistrez-le avec « Enregistrer », ou copiez-le en entier avec « Copier le texte ». Si des pages numérisées ont été lues, vous pouvez vérifier les lignes reconnues avec « Vérifier le texte reconnu ».
À propos de la conversion de PDF en texte
Les pages qui contiennent du texte sont extraites avec PDFium, le moteur PDF également utilisé dans Chrome, sans modèle d’IA. Les pages sans texte et celles dont le texte est corrompu (sélectionner le texte donne d’autres caractères) sont lues avec le modèle de reconnaissance de texte de PaddleOCR (PP-OCRv6, Apache-2.0), qui s’exécute dans votre navigateur. Ce n’est qu’alors que la première exécution télécharge le modèle d’IA (environ 17 Mo) depuis ce site ; les exécutions suivantes utilisent la copie stockée dans votre navigateur. Pour les PDF dont beaucoup de pages contiennent du texte, l’outil demande votre accord avant de télécharger le modèle d’IA. Sur les appareils qui ne peuvent pas utiliser le GPU (WebGPU), le traitement se fait sur le CPU et prend plus de temps que sur le GPU.
Pour les pages qui ont déjà une couche de texte OCR, ce texte est extrait. Pour les pages qui mélangent texte et images, le texte est extrait et les parties qui ne chevauchent pas le texte sont lues. S’il y a plus de pages à lire par OCR que ce qui peut être lu en une fois, les pages sans texte sont lues depuis le début, et les numéros des pages non lues sont indiqués. Le fichier enregistré est un fichier texte UTF-8 (.txt). Vous pouvez choisir ce qui sépare les pages dans « Sauts de page » (par défaut, une ligne de séparation comme « --- 1 / 3 --- »).
Caractéristiques de cet outil
- Entrée
- Sortie
- TXT
- Limites
- Nombre de fichiers illimité (traitement par lots). Jusqu’à 200 MB par fichier (100 MB sur téléphones et tablettes). Jusqu’à 200 pages lues par OCR à la fois (30 pages sur les appareils qui traitent sur le CPU ; les numéros des pages au-delà sont indiqués)
- Gratuit, sans inscription, aucune application à installer
- Les fichiers ne sont jamais envoyés (traités dans votre navigateur)
Questions fréquentes
Mon PDF est-il envoyé à un serveur ?
Non. L’ouverture du PDF, l’extraction du texte et la lecture du texte des pages numérisées se font entièrement dans le navigateur de votre appareil. Des statistiques qui nous aident à corriger les bugs (plage du nombre de pages, plages du nombre de pages dont le texte a été extrait et du nombre de pages lues par OCR, plage du temps par page, types d’erreurs, etc.) sont envoyées au serveur de ce site. Elles ne contiennent ni le contenu du PDF, ni le texte extrait, ni le texte reconnu, ni les noms de fichier, ni les mots de passe, ni les plages de pages que vous saisissez. Vous pouvez désactiver ces statistiques avec l’interrupteur « Envoyer les statistiques de traitement » en bas de la page.
Peut-il extraire le texte d’un PDF numérisé ?
Oui. Les pages sans texte et celles dont le texte est corrompu sont lues par OCR (reconnaissance optique de caractères). Il est conçu pour le texte imprimé écrit à l’horizontale. Il lit aussi les pages de texte vertical, mais avec plus d’erreurs que le texte horizontal, et il peut manquer la ponctuation. L’écriture manuscrite n’est pas prise en charge. Pour rendre un PDF recherchable tout en le gardant au format PDF, utilisez « OCR PDF ».
Peut-il extraire le texte d’un PDF protégé par mot de passe ou restreint par son auteur ?
Oui. Un PDF protégé par mot de passe s’ouvre une fois son mot de passe d’ouverture saisi. Si l’auteur a restreint la copie et l’extraction, l’outil n’extrait pas le texte tant que vous n’avez pas saisi le mot de passe des autorisations. Cet outil ne devine pas les mots de passe : si vous ne connaissez pas le mot de passe des autorisations, adressez-vous à la personne qui a créé le PDF. Un fichier texte (TXT) ne peut porter ni mot de passe ni restrictions : n’importe qui peut ouvrir le fichier que vous enregistrez. Le texte caché sous des annotations comme des cadres noirs est aussi extrait s’il est toujours présent dans le fichier sous forme de texte : pour supprimer du texte du fichier, utilisez « Caviarder un PDF ».
Le texte extrait peut-il contenir des erreurs ?
Oui. Sur les pages lues par OCR, certains caractères peuvent être mal lus ou manqués selon la taille du texte, la résolution de numérisation, ainsi que les taches ou l’inclinaison du papier. Les nombres très espacés dans les tableaux sont plus souvent mal lus que le reste du texte. Quand « Japonais » est choisi comme langue du document, les caractères hors des jeux de kanji JIS de niveaux 1 et 2 et les emoji peuvent être lus comme des caractères d’apparence similaire. Les colonnes et les tableaux peuvent sortir dans un ordre différent de l’ordre de lecture. Les pages qui contiennent du texte suivent l’ordre stocké dans le PDF et, sur les pages lues par OCR, un tableau aux cellules longues peut sortir une colonne à la fois. Appuyez sur « Vérifier le texte reconnu » pour voir les lignes lues par OCR encadrées sur la page, les lignes plus susceptibles de contenir des erreurs étant affichées dans une autre couleur.
Aidez-nous à améliorer le service
Si une conversion échoue, nous envoyer les circonstances de l’échec nous aide à en trouver la cause. Savoir sur quels appareils et avec quels formats les échecs sont les plus fréquents, et combien de temps prend le traitement, nous permet de revoir les formats pris en charge et de corriger les bugs qui en sont à l’origine. Si cela ne vous dérange pas, laisser cette option activée nous aide vraiment.
Ce qui est envoyé
- L’outil utilisé et les réglages choisis (format de sortie, qualité, etc.)
- Les caractéristiques de votre appareil (GPU, mémoire, nombre de cœurs)
- Le format d’entrée, avec une taille approximative
- Le nombre de fichiers réussis ou en échec et le temps de traitement
- Le type et le détail de l’erreur en cas d’échec
Ce qui n’est jamais envoyé
- Les fichiers eux-mêmes et les noms de fichiers
- Le texte des PDF, le texte que vous avez réécrit ou caviardé, les mots de passe, les noms de polices et les plages de pages que vous saisissez
- Le texte reconnu et la position des lignes reconnues
- Les adresses IP
Les données sont envoyées uniquement au serveur de ce site, jamais à un service tiers.
Pour la liste complète, y compris les détails envoyés par chaque outil, consultez « Statistiques de traitement » dans la politique de confidentialité.
Détails envoyés par cet outil (uniquement des nombres, des durées, des types et des oui/non)
En plus de « Ce qui est envoyé », cet outil envoie les détails suivants.
- Outils PDF (tous)
- La tranche du nombre de pages, si la modification est restreinte, si un mot de passe des autorisations a été saisi, et si le PDF est signé ou chiffré.
- PDF en texte
- Le nombre de fichiers en entrée et en sortie, de pages dont le texte a été extrait, de pages qui avaient déjà un texte OCR, de pages mêlant texte et images, de pages lues par OCR, de pages lues sans texte trouvé, de pages au texte corrompu, de pages vides, de pages réorganisées en texte vertical, de pages dont l’orientation a été corrigée, de pages non lues parce que le modèle d’IA n’a pas été téléchargé et de pages non lues parce qu’elles dépassaient le nombre de pages lisibles en une fois, de lignes et de caractères lus, et de zones et de caractères non lus parce qu’ils chevauchaient du texte ou des annotations existants (tous par tranches), les tranches de la part de lignes verticales et de lignes plus susceptibles de contenir des erreurs, les tranches du temps par page et du temps de chargement du modèle d’IA, le type et la version du modèle d’IA et s’il a été téléchargé, si l’outil a demandé confirmation avant de télécharger le modèle d’IA, la tranche de la résolution de rendu et si elle a été abaissée, la tranche du nombre de parties en lesquelles une image a été découpée pour trouver le texte, si le temps estimé dépassait 15 minutes, et si le GPU est devenu indisponible.