Convertir EPUB en Texte en ligne gratuitement

Convertir un EPUB en texte : transformer une étagère de livres en matière calculable

Le livre reste la prose longue la mieux travaillée dont nous disposons. Écrite par des professionnels, relue par des professionnels, des milliers de mots d'une voix cohérente, sans menu de navigation, sans bandeau cookies et sans fil de commentaires au milieu. Comme matière première pour tout ce qui touche à la langue — embeddings, analyse de style, recherche sémantique, entraînement d'un classifieur à reconnaître un ton — difficile de faire mieux.

Le hic, c'est que tout cela dort dans une archive compressée pleine de fichiers XHTML. Un convertisseur EPUB vers texte l'en sort : un flux de prose continu, sans balise, sans caractère de mise en forme, sans rien que votre tokenizer doive apprendre à ignorer. Déposez le fichier ci-dessus, le résultat arrive en quelques secondes. Gratuit, sans inscription, 50 Mo maximum, rien n'est conservé.

Pourquoi convertir un EPUB en texte brut est la bonne forme pour ce travail

Le texte brut n'est pas ici l'option au rabais. Pour la plupart des choses qu'on fait avec un livre à grande échelle, c'est le format que l'outillage attend réellement :

• Embeddings et recherche sémantique. On découpe la prose, on encode chaque morceau, on récupère par similarité. Les dièses et les astérisques du Markdown occupent des positions de tokens sans rien apporter au sens : ils diluent le vecteur. Des paragraphes propres se retrouvent mieux, et toutes les bibliothèques de découpage de la terre prennent du texte par défaut.
• Lisibilité et stylométrie. Flesch-Kincaid, longueur moyenne de phrase, rapport type/occurrence, richesse du vocabulaire, rythme de la ponctuation. Ce sont des mesures au mot et à la phrase, et les marques de formatage faussent chacune d'entre elles.
• Indexation d'une bibliothèque entière. Le tsvector de Postgres, SQLite FTS5, Elasticsearch, ou un simple dossier que vous passez à grep. Tous veulent du texte brut dans un champ. Cinquante livres convertis font un moteur de recherche personnel réellement rapide.
• Linguistique de corpus et chaînes NLP. Concordances, analyse de collocations, extraction d'entités nommées, modélisation thématique. spaCy et NLTK prennent des chaînes de caractères, pas du balisage.
• Synthèse vocale et accessibilité. Un moteur de TTS à qui vous donnez du Markdown lira joyeusement « dièse dièse Chapitre quatre » à voix haute.
• Comparer deux éditions. Deux tirages du même titre, extraits en texte, passés dans un diff au niveau du mot : c'est comme ça qu'on découvre ce qu'une deuxième édition a vraiment changé.

Ce que vous perdez en aplatissant

Les frontières de chapitres. C'est le vrai coût, et il pèse plus lourd pour un livre que pour la plupart des documents, simplement parce qu'un livre est assez long pour que « où suis-je » devienne une question.

Dans l'EPUB d'origine, chaque chapitre est un fichier XHTML distinct, avec une balise de titre et une entrée dans le document de navigation. Une fois aplati, un titre de chapitre devient une ligne courte posée au-dessus d'une ligne longue, sans rien qui la distingue. Demandez à un modèle de « résumer le chapitre sept » et il devra deviner où commence le sept à partir des seuls mots. En général il s'en sort. Parfois il démarre un paragraphe trop loin et résume tranquillement autre chose.

Les citations en bloc cessent aussi de se distinguer visuellement du récit, ce qui compte pour un essai où la source citée et l'argument de l'auteur se répondent d'un paragraphe à l'autre. Si quoi que ce soit de tout cela porte votre usage, prenez plutôt EPUB vers Markdown : l'arborescence des titres y survit et vous pouvez découper le fichier proprement par chapitre. Le sélecteur de format en haut de cette page bascule de l'un à l'autre en conservant le fichier choisi, vous pouvez donc produire les deux sorties et les comparer sans téléverser deux fois.

Les scories typographiques à nettoyer

Les éditeurs composent leurs livres correctement, ce qui est parfait pour la lecture et légèrement pénible pour le calcul. Une poignée de choses reviennent systématiquement dans le texte extrait d'un livre, et une seule passe de rechercher-remplacer en règle la plupart :

• Apostrophes et guillemets typographiques. Les livres utilisent l'apostrophe courbe et les guillemets français, pas " ni '. Les tokenizers s'en accommodent généralement, pas les regex naïves ni la comparaison de chaînes : cherchez l'auteur dans un roman et vous ne trouverez peut-être rien alors que la page est pleine de l’auteur.
• Tirets cadratins et demi-cadratins. Souvent collés au mot, si bien que les segmenteurs de phrases recollent parfois deux phrases ou en coupent une au mauvais endroit.
• Traits d'union conditionnels et espaces insécables. Invisibles à l'écran, bien présents dans le flux d'octets, et discrètement responsables des comptages de mots qui ne correspondent à rien.
• Ligatures. « fi » et « fl » forment parfois un seul glyphe. L'extraction se passe normalement bien, mais une police embarquée inhabituelle peut produire des caractères étranges sur un mot ici ou là.
• Pages liminaires et finales. Page de titre, mention de copyright, dédicace, remerciements, « à propos de l'auteur », restes d'index. Du remplissage qui revient dans chaque livre que vous convertissez, et qui devient donc du vocabulaire faussement fréquent à l'échelle d'un corpus. Coupez-le si vous travaillez sur des fréquences.

Rien de tout cela n'est un travail bâclé du convertisseur. C'est ce qu'il y a réellement dans le fichier, et savoir qu'il faut le chercher, c'est déjà l'essentiel de la bataille.

Les DRM, et d'où viennent les livres convertibles

Un livre acheté chez un grand libraire en ligne est presque toujours chiffré. Le XHTML à l'intérieur du conteneur est brouillé et un fichier encryption.xml le déclare : aucun convertisseur, celui-ci compris, n'en lira le moindre mot. Téléversez-en un et vous obtiendrez une erreur ou une sortie vide. Autant le savoir avant d'y passer dix minutes à chercher ce qui a cassé.

Il existe quantité de bonnes sources sans DRM par principe. Le catalogue du domaine public de Project Gutenberg est immense et parfait pour du travail sur corpus. Standard Ebooks produit des éditions du domaine public soigneusement composées, au balisage inhabituellement propre. La plupart des éditeurs techniques, les presses proches d'arXiv, les titres sous Creative Commons et tout ce que vous avez exporté vous-même se convertissent sans broncher. Convertir un livre que vous possédez pour votre propre étude relève de l'usage ordinaire ; redistribuer le texte extrait d'un livre sous droits, non. On n'en dira pas plus.

Extraire le texte de toute une bibliothèque EPUB

Convertir un livre prend deux secondes. La version intéressante consiste à en convertir quarante et à traiter le résultat comme un jeu de données. Quelques points qui facilitent l'opération :

• Mettez le lot dans une archive. ZIP vers texte prend une archive et convertit en une passe chaque fichier pris en charge qu'elle contient, ce qui vaut mieux que quarante téléversements séparés. Surveillez le plafond de 50 Mo — les EPUB sont légers, mais pas ceux qui sont illustrés.
• Normalisez avant de découper. Remettez les apostrophes droites, retirez les traits d'union conditionnels, écrasez les lignes vides répétées. Faites-le une fois à l'ingestion et toutes les étapes suivantes deviennent plus simples.
• Découpez aux frontières de paragraphes, pas à un nombre fixe de caractères. Un livre a de vrais paragraphes, et ce sont des unités sémantiques naturelles. Une coupe aveugle tous les 1 000 caractères tranche les phrases en deux et fabrique des embeddings de fragments.
• Gardez le nom de fichier comme métadonnée. Une fois que tout est devenu un seul flux de texte, le titre et l'auteur sont la seule provenance qui vous reste. Stockez-les à côté de chaque morceau, sinon vous retrouverez un passage magnifique sans savoir de quel livre il sort.
• Regardez le compteur de tokens. Le compteur sous la sortie vous donne le chiffre réel pour un titre donné, ce qui fait la différence entre concevoir une chaîne de traitement et la deviner au jugé.

L'EPUB est une meilleure source que la version PDF

Si le même titre existe dans les deux formats, l'EPUB vous donne un texte plus propre pour moins de travail. Un PDF est à mise en page fixe : chaque ligne visuelle est une série de glyphes distincte, les paragraphes arrivent donc éclatés en lignes courtes, les mots coupés en fin de ligne restent coupés, et l'en-tête courant et le numéro de page atterrissent dans votre prose toutes les quelques centaines de mots. PDF vers texte gère tout cela, mais il vous restera du récurage.

L'EPUB, lui, est reformatable. Il n'y a pas de page, donc pas de mobilier de page, et les paragraphes sont de vrais paragraphes dans le balisage : ils ressortent en lignes continues qu'une recherche par expression régulière peut traverser. Pour tout ce qui implique de chercher une expression, de segmenter des phrases ou de calculer des embeddings, cette seule différence justifie le changement.

Questions fréquentes

Comment convertir un EPUB en texte ?

Déposez le .epub dans le convertisseur en haut de page et le texte du livre revient en clair, téléchargeable en .txt. Gratuit, sans inscription, 50 Mo par fichier — largement plus que ce dont un livre numérique reformatable a besoin, puisque l'EPUB est du HTML compressé et que même les gros livres dépassent rarement quelques mégaoctets.

Est-ce que ça marche sur les livres achetés chez Kindle ou Apple Books ?

Seulement s'ils sont sans DRM. Un livre acheté est généralement chiffré et rattaché au compte qui l'a acquis, et un fichier chiffré ne contient aucun texte lisible qu'un convertisseur puisse atteindre. Les titres du domaine public de Project Gutenberg, ceux de Standard Ebooks, les livres techniques des éditeurs qui vendent des fichiers non chiffrés et vos propres exports se convertissent normalement.

Les chapitres restent-ils séparés dans la sortie ?

Les frontières de chapitres subsistent sous forme de ruptures dans le flux, mais les titres de chapitres arrivent en lignes ordinaires, sans rien qui les désigne comme des titres — c'est la nature même de l'aplatissement en texte. Si vous devez ensuite naviguer ou découper par chapitre, EPUB vers Markdown conserve les niveaux de titres qui rendent cela possible.

Et les notes de bas de page et notes de fin ?

Elles passent, généralement regroupées à la fin de la section à laquelle elles appartenaient plutôt qu'en ligne, là où se trouvait l'appel de note. Pour un texte universitaire, cela signifie qu'une série de notes s'intercale entre deux chapitres. Facile à sauter à la lecture, mais bon à savoir si vous découpez la sortie pour des embeddings et que vous vous demandez pourquoi un morceau n'est constitué que de références.

Puis-je donner un livre entier à un LLM de cette façon ?

Vous pouvez le convertir en une passe, mais vérifiez le nombre de tokens avant de coller. Un roman de 300 pages représente environ 120 000 tokens — ça tient dans une fenêtre de contexte de 200K, et c'est largement au-delà de ce qu'une interface de chat acceptera dans un seul message. Le compteur sous la sortie vous donne le chiffre avant que vous ne l'appreniez à vos dépens.

Le reste de la boîte à outils

L'EPUB est l'un des treize formats pris en charge. File2Txt les traite tous depuis un seul téléversement. Pour les manuscrits, il y a Word vers texte, pour les vieux documents en texte enrichi RTF vers texte, et pour les articles enregistrés HTML vers texte. Vos propres données structurées passent par CSV vers texte ou JSON vers texte.

Au-delà des documents : convertissez un dépôt GitHub en texte, un projet GitLab ou un dossier local, et servez-vous de Web2Txt pour récupérer des pages en ligne sous forme de texte. Il existe un guide plus long sur la préparation de documents pour les LLM si vous voulez la vue d'ensemble.

Repo2Txt est conçu et maintenu par v12hero, un développeur indépendant qui crée des applications natives et web respectueuses de la vie privée.