Document
Transformer un PDF en texte exploitable : ce que l'extraction récupère, et ce qu'elle perd
Un PDF est conçu pour qu'un document s'affiche partout de la même façon, pas pour qu'on en réutilise le contenu. Copier-coller depuis un PDF donne souvent des lignes coupées, des mots collés ou des colonnes mélangées. Exporter le texte en TXT ou en Markdown règle une partie de ces problèmes, à condition de comprendre ce qu'un PDF contient réellement. Ce guide explique comment fonctionne l'extraction dans FileXvert, et comment en tirer le meilleur.
Ce qu'un PDF contient vraiment
Contrairement à un document Word, un PDF ne contient ni paragraphes ni titres au sens où un traitement de texte l'entend. Il contient des instructions de dessin : « place ces caractères, dans cette police, à telle position sur la page ». Un paragraphe y est souvent une suite de fragments de texte positionnés les uns sous les autres, sans lien explicite entre eux.
Retrouver le texte suivi d'un PDF consiste donc à reconstituer un ordre de lecture à partir de ces positions. Pour un document simple, sur une colonne, le résultat est généralement fidèle. Pour une mise en page complexe, c'est un travail d'interprétation, et toute extraction automatique fait des compromis.
Texte numérique ou image scannée : le test décisif
Avant toute conversion, faites ce test : ouvrez le PDF et essayez de sélectionner un mot avec la souris. Si vous y parvenez, le document contient une couche de texte, et l'extraction fonctionnera. Si la sélection englobe toute la page comme une image, ou ne sélectionne rien, le PDF est une numérisation : une photo de page, sans aucun caractère à extraire.
FileXvert ne fait pas de reconnaissance optique de caractères (OCR). Un PDF scanné produira donc un fichier texte vide ou presque. Ce n'est pas un défaut de la conversion : il n'y a littéralement pas de texte dans le fichier, seulement des pixels. Pour ce type de document, un logiciel d'OCR est nécessaire, et c'est son résultat que vous pourrez ensuite convertir.
Comment FileXvert reconstitue le texte
L'extraction s'appuie sur pdf.js, le moteur d'affichage de PDF développé par Mozilla et intégré à Firefox. Il lit, page après page, les fragments de texte et leurs indications de fin de ligne. FileXvert les recolle en respectant ces fins de ligne, supprime les espaces superflus et limite les lignes vides consécutives, afin que titres et paragraphes restent séparés au lieu de se fondre en un seul bloc.
Comme tout le reste du site, cette opération se déroule entièrement dans votre navigateur : le PDF n'est envoyé nulle part. C'est particulièrement utile pour les documents qu'on cherche justement à exploiter sans les diffuser : contrats, rapports internes, relevés.
Ce qui est conservé, ce qui est perdu
L'extraction récupère le contenu, pas la présentation. Concrètement :
- Conservé : le texte, dans l'ordre des pages, avec les retours à la ligne et les séparations entre blocs.
- Perdu : la mise en forme (gras, italique, tailles, couleurs), les images, les en-têtes graphiques et les liens cliquables.
- Imparfait : les tableaux, dont les cellules ressortent les unes à la suite des autres, et les mises en page en plusieurs colonnes, dont les lignes peuvent s'entremêler.
- À surveiller : les mots coupés par un tiret en fin de ligne, qui restent coupés, et les en-têtes ou pieds de page répétés, qui réapparaissent sur chaque page.
TXT ou Markdown ?
Le contenu extrait est le même dans les deux cas : FileXvert ne devine pas automatiquement les titres ou les listes d'un PDF, puisque ces notions n'y existent pas. La différence tient à l'usage que vous ferez du fichier.
Choisissez TXT si vous voulez simplement lire, rechercher ou archiver le contenu : il s'ouvre partout, même dans le bloc-notes le plus basique. Choisissez Markdown (.md) si vous comptez retravailler le texte dans un outil de prise de notes comme Obsidian, Notion ou un éditeur de documentation : il vous suffira d'ajouter un « # » devant les titres et un « - » devant les éléments de liste pour obtenir un document structuré.
La méthode recommandée
Pour obtenir un texte réellement réutilisable, procédez en quatre temps :
- Vérifiez que le PDF contient du texte sélectionnable.
- Convertissez-le en TXT ou en Markdown selon l'usage prévu.
- Faites une passe de nettoyage : rechercher-remplacer les en-têtes répétés, recoller les mots coupés, remettre en forme les tableaux importants.
- Comparez les passages essentiels avec le PDF d'origine avant de citer, publier ou vous appuyer sur le texte dans un document qui compte.
Pour un document Word, la même démarche s'applique : FileXvert sait aussi extraire le texte d'un fichier DOCX vers TXT ou Markdown, ou le transformer en PDF simple.