Convertir PDF en Texte en ligne gratuitement

Convertir un PDF en texte brut : quand c'est la mise en forme qui pose problème

Essayez de lancer diff sur deux PDF. Impossible : c'est du binaire, et même un document « identique » réexporté depuis la même source différera octet par octet, à cause des horodatages et de l'ordre des objets. Extrayez maintenant le texte des deux et comparez-les : en deux secondes, vous savez exactement quelles trois phrases ont changé entre la révision 11 et la révision 14 du contrat.

Voilà l'argument en faveur du PDF vers texte brut, résumé en une phrase. Ce n'est pas « du Markdown en moins bien » : c'est un autre outil pour un autre usage. Le texte, c'est ce qu'on donne à un classifieur, ce qu'on indexe dans un moteur de recherche, ce qu'on découpe pour une base vectorielle, ce qu'on passe à grep, ce sur quoi on compte des mots — bref, tout ce qui traite # et | comme des caractères à parser plutôt qu'à ignorer. Déposez un fichier dans le convertisseur ci-dessus et vous l'avez en quelques secondes. Gratuit, sans inscription, 50 Mo maximum, rien n'est conservé de notre côté.

Ce que vous gagnez en jetant le balisage

Une extraction en texte brut, ce sont les mots dans l'ordre de lecture, et rien d'autre. Aucun caractère de syntaxe, aucune règle d'échappement, aucune ambiguïté sur le fait qu'une astérisque soit une emphase ou une vraie astérisque. Pour un nombre surprenant de chaînes de traitement, ce n'est pas un compromis, c'est l'exigence de départ :

• Embeddings et recherche sémantique. On découpe le document, on vectorise chaque morceau, on récupère par similarité. Les barres verticales et les dièses du Markdown n'apportent rien au sens mais occupent bel et bien des positions dans le vecteur : c'est de la dilution. Des morceaux de prose propre remontent mieux.
• Classifieurs et modèles thématiques. Tout ce qui fait du sac de mots, du TF-IDF ou de l'analyse en n-grammes traitera joyeusement ### comme un token si vous ne le retirez pas avant. Autant ne jamais l'introduire.
• Indexation plein texte. Elasticsearch, SQLite FTS, le tsvector de Postgres : tous veulent du texte brut dans une colonne. Le Markdown, c'est une passe de nettoyage en plus.
• Comparaison de versions. Un diff ligne à ligne marche bien sur de la prose et mal sur des tableaux, parce que modifier une seule cellule d'un tableau Markdown en reformate et en réécrit la ligne entière.
• Économie de tokens. Si vous collez un long document dans un modèle à fenêtre de contexte serrée, chaque barre verticale est un token payé pour rien.

Et ce que vous perdez — autant le savoir tout de suite

L'aplatissement est destructeur, et c'est voulu. Deux pertes comptent plus que les autres.

Les tableaux s'effondrent. Un tableau financier devient une suite de nombres séparés par des espaces. Les valeurs sont toutes là, mais la colonne à laquelle chacune appartenait, non — et aucun prompt ne la retrouvera. Si le tableau est justement le cœur du document, prenez plutôt PDF vers Markdown, où les tableaux en barres verticales conservent lignes et colonnes intactes.

La hiérarchie s'évapore. Un titre de section et la phrase qui le suit deviennent deux lignes voisines que rien ne distingue. Demandez à un modèle de « résumer la section 4 » et il devra deviner où commence la section 4 à partir de la seule formulation. Sur des documents longs et structurés — spécifications, normes, contrats à clauses numérotées — c'est exactement là que les réponses dérapent.

Le sélecteur de format en haut de page bascule entre texte et Markdown en conservant le fichier déjà sélectionné : convertir dans les deux formats pour comparer vous coûte un clic, pas un nouvel envoi.

Extraire le texte d'un PDF : les bizarreries qui ressortent en sortie

Le PDF est un langage de description de page. Il stocke des glyphes à des coordonnées, et extraire consiste à reconstruire des phrases à partir de ça. Quelques artefacts en découlent, et les connaître vous épargne une demi-heure de perplexité :

• Retours à la ligne en plein milieu d'une phrase. Le PDF ne connaît pas la notion de paragraphe qui se reformate : chaque ligne visuelle est un bloc de texte distinct. Un paragraphe vous arrive donc en six lignes courtes. C'est le piège numéro un pour grep et les expressions régulières : cherchez une formule qui se trouvait à cheval sur un retour à la ligne et vous obtenez zéro résultat pour un texte pourtant bien présent.
• La césure survit. Un mot coupé en fin de ligne en « ges- » / « tion » reste généralement coupé. Un rechercher-remplacer s'impose avant tout comptage de mots ou extraction de mots-clés.
• Les titres courants et les numéros de page s'intercalent. Le nom de la société et « Page 14 sur 88 » atterrissent au milieu de votre prose tous les deux mille caractères. Sans gravité à la lecture, un peu pénible pour le découpage, et faciles à supprimer avec une regex d'une ligne une fois le motif repéré.
• L'ordre des colonnes peut s'emmêler. Les mises en page académiques sur deux colonnes sont en général linéarisées correctement, mais les encadrés flottants, les exergues et les blocs de notes de bas de page atterrissent parfois en plein paragraphe.
• Ligatures et glyphes exotiques. Dans les PDF composés professionnellement, « fi » et « fl » sont souvent un glyphe unique. La plupart s'extraient sans souci. En revanche, un PDF construit avec une police sous-ensemblée dépourvue de table de correspondance Unicode peut ressortir en charabia apparent — c'est rare, et dans ce cas le problème vient du fichier, pas du convertisseur.

Un PDF scanné n'a aucun texte à extraire

Un PDF scanné, c'est une photographie de papier dans une enveloppe PDF. Il n'y a rien à en tirer sinon des pixels, et la reconnaissance de texte ne va pas fouiller à l'intérieur d'un PDF : un fichier purement image revient vide. (Envoyez la même page en JPG ou en PNG et elle serait lue sans problème, voir image vers texte. C'est l'enveloppe PDF qui bloque.) Le test prend deux secondes : ouvrez le fichier et essayez de sélectionner une phrase à la souris. Si le texte se surligne, tout va bien. Si vous obtenez un rectangle sur toute la page, c'est un scan.

Pour un scan, lancez d'abord une OCR — Acrobat, Aperçu sur macOS et la plupart des lecteurs PDF récents ont une commande « reconnaître le texte » — puis revenez convertir. La différence de qualité en sortie n'a rien de subtil.

Ce que ça résout concrètement

• Constituer un corpus RAG. Des centaines de PDF réglementaires passés en texte, découpés aux frontières de paragraphe, puis vectorisés. Le texte est le format que toutes les bibliothèques de découpage attendent par défaut.
• Relire deux versions d'un contrat. Extrayez les deux, lancez un diff au niveau du mot, et lisez les modifications réelles plutôt que de faire confiance à un e-mail de synthèse.
• Conformité et recherche de mots-clés. Grepper un dossier de rapports extraits à la recherche d'un terme défini, d'un nom de fournisseur ou d'une formule qui n'a rien à faire là. Instantané, hors ligne, sans autre outil que le shell.
• Analyse de lisibilité et de style. Distribution de la longueur des phrases, densité de jargon, indices de lisibilité : tout cela réclame de la prose propre, sans marqueur de mise en forme dans le flux.
• Alimenter une synthèse vocale. Un lecteur d'écran ou un moteur TTS vous lira très volontiers « dièse dièse Introduction » si vous lui donnez du Markdown.
• Vérifier vite le coût en tokens. Le compteur sous la sortie vous dit ce que vaut un document avant que vous ne le colliez où que ce soit, ce qui est plus utile que de l'apprendre par une erreur de troncature.

Questions fréquentes

Comment convertir gratuitement un fichier PDF en texte ?

Déposez le fichier dans le convertisseur en haut de page : le texte extrait s'affiche juste en dessous. Pas de compte, pas d'e-mail, pas de filigrane sur le résultat. La limite est de 50 Mo par fichier et rien n'est conservé une fois le texte récupéré. Copiez-le directement, ou téléchargez-le en .txt.

Pourquoi le texte extrait de mon PDF ressort-il en charabia ?

C'est presque toujours la police, pas le convertisseur. Un PDF construit avec une police sous-ensemblée livrée sans table de correspondance Unicode stocke des index de glyphes sans indiquer à quels caractères ils correspondent : l'extraction renvoie donc ces index sous forme de lettres absurdes. Si en plus le texte est impossible à sélectionner dans votre lecteur PDF, c'est bien le fichier qui est en cause — réexportez-le depuis le document source.

Peut-on convertir un PDF scanné en texte ?

Pas directement. Un scan est une photo emballée dans un PDF : il n'y a aucun caractère à l'intérieur, donc le résultat revient vide. Deux façons de contourner ça : lancer d'abord « reconnaître le texte » dans Acrobat ou dans Aperçu (macOS), puis convertir ici — ou exporter la page en PNG et passer par image vers texte, qui exécute bel et bien une OCR sur les pixels.

Pourquoi mon texte extrait est-il coupé en plein milieu des phrases ?

Le PDF n'a pas de paragraphe reformatable : chaque ligne visuelle est stockée comme son propre bloc de texte, si bien qu'un paragraphe arrive en six lignes courtes. C'est surtout gênant avec grep et les regex : une formule à cheval sur un retour à la ligne renvoie zéro résultat. Recollez les lignes qui ne se terminent pas par une ponctuation de fin de phrase avant de lancer vos recherches.

Faut-il convertir mon PDF en txt ou en Markdown ?

En texte si la destination analyse des mots bruts : embeddings, index de recherche, classifieurs, diffs. En Markdown si la forme du document porte du sens, parce que les tableaux en barres verticales survivent et que les titres restent balisés. Les tableaux tranchent la question : aplatissez un tableau financier en texte et la colonne à laquelle appartenait chaque nombre est perdue pour de bon.

Mon PDF est-il envoyé sur un serveur ?

Le fichier est transmis au service de conversion, traité, puis jeté : il n'est ni stocké, ni journalisé, ni indexé, et rien n'est retenu une fois la réponse renvoyée. S'il vous faut une conversion où le fichier ne quitte réellement jamais la machine, le convertisseur de dossier local lit les fichiers directement dans le navigateur.

Le reste de la boîte à outils

Le PDF n'est qu'un des treize formats pris en charge. File2Txt les gère tous depuis un seul envoi, ou allez directement à Word vers texte pour les fichiers DOCX, HTML vers texte pour les pages web enregistrées, EPUB vers texte pour les livres numériques, ou image vers texte pour les captures d'écran. Plutôt du code ? Convertissez un dépôt GitHub en texte, un projet GitLab, ou un dossier local. Pour les pages web en ligne, Web2Txt récupère directement une URL. Le guide de préparation des documents pour les LLM traite la version générale de tout ça.

Repo2Txt est un projet indépendant de v12hero, pensé pour convertir des fichiers sans sacrifier la confidentialité.