Extracteur de texte PDF

Comment l’utiliser

1. Déposez un PDF sur la carte, collez-le avec ⌘V / Ctrl+V ou appuyez sur « Choisir un PDF ». Le texte apparaît dans la zone de résultat page par page — aucun bouton Extraire. Copier et télécharger se débloquent quand toutes les pages sélectionnées sont prêtes et que le statut passe au vert.
2. Par défaut, chaque ligne du PDF reste une ligne et les paragraphes sont séparés par une ligne vide. Cochez « Fusionner les lignes en paragraphes » pour réunir les lignes coupées : les traits d’union en fin de ligne sont supprimés, les lignes chinoises et japonaises se joignent sans espace, et les autres avec un espace. Changer une option réagence le texte instantanément sans relire le PDF.
3. Saisissez des pages comme « 1-3, 5 » pour ne garder que celles-ci, dans l’ordre indiqué ; une page citée deux fois n’apparaît qu’une fois. Les virgules, les virgules d’énumération chinoises et les virgules arabes sont acceptées, ainsi que les chiffres arabo-indiens, arabes orientaux et pleine chasse. Laissez la zone vide pour toutes les pages. Les repères comme « --- 3 / 12 --- » indiquent le numéro de page d’origine et peuvent être désactivés.
4. Si le PDF demande un mot de passe, saisissez-le dans la ligne qui apparaît et appuyez sur Entrée. Le mot de passe sert uniquement à ouvrir le fichier dans cet onglet.

Règles, limites et problèmes connus

• Rien n’est envoyé : le PDF est lu avec l’API File et analysé par un Web Worker dans cet onglet. Les seules requêtes réseau sont les fichiers de ce site — le moteur PDF et le worker au premier fichier, des tables de caractères pour certains PDF chinois, japonais et coréens, et l’exemple si vous le demandez. Rien n’est stocké, et un rechargement repart de zéro.
• Pas d’OCR. Les documents scannés, les PDF créés à partir de captures et le texte contenu dans des images ne peuvent pas être extraits ; ces pages sont signalées comme sans couche texte.
• L’ordre de lecture suit la structure interne du PDF. Les mises en page multicolonnes, les tableaux, en-têtes, pieds de page et notes peuvent s’entrelacer ou sortir dans un ordre différent de ce que vous voyez ; il n’y a pas d’analyse de mise en page.
• Les tableaux ressortent uniquement comme texte de cellules. L’alignement des colonnes est perdu et les cellules d’une même ligne peuvent se retrouver collées.
• La fusion des lignes en paragraphes est une heuristique fondée sur l’interligne, la taille de police et les traits d’union en fin de ligne. Un trait d’union appartenant réellement à un mot composé peut être supprimé lorsqu’il tombe en fin de ligne, et un titre peut parfois être joint au texte qui le suit.
• Si une police n’a pas de mappage Unicode, son texte ressort illisible ou vide. C’est une propriété du PDF ; la copie depuis un lecteur PDF échoue généralement de la même façon.
• Ligatures arabes : certains producteurs de PDF (par exemple avec certaines polices système macOS) associent un glyphe de ligature à plusieurs caractères, si bien que les lettres qu’il contient peuvent ressortir inversées (لا devient ال). L’outil ne devine pas de correction, pour ne jamais altérer un texte correct.
• Le texte vertical est produit dans l’ordre interne du PDF ; l’ordre de lecture vertical n’est pas garanti.
• Si l’auteur a restreint la copie, l’outil extrait tout de même le texte et affiche un avertissement. Assurez-vous d’avoir le droit de l’utiliser.
• Mots de passe : seul le mot de passe d’ouverture (utilisateur) est pris en charge. Il sert à ouvrir le document dans cet onglet, n’est jamais enregistré, et le chiffrement du PDF n’est pas retiré.
• Limites : un PDF à la fois, 50 Mo et 2 000 pages. Les fichiers plus gros sont refusés avec leur taille ou leur nombre de pages réel. Les fichiers de plus de 20 Mo ou 300 pages affichent un avertissement « peut prendre du temps ».
• Le compteur de caractères compte les graphèmes et exclut les repères de page et les sauts de ligne. Il n’y a pas de comptage de mots pour le chinois ou l’arabe ; collez le résultat dans le compteur de caractères et de mots pour des statistiques détaillées.