Convertir un ZIP en texte : transformer une archive en un corpus unique et interrogeable
Cet outil a été écrit pour un moment très précis. Vous avez une archive sous la main — un export, une sauvegarde, un lot que quelqu'un vous a envoyé — pleine de documents dans une demi-douzaine de formats, et ce dont vous avez besoin, ce n'est pas de les lire. C'est de chercher dans l'ensemble d'un seul coup. De compter les occurrences d'un terme. De donner le tout à un modèle d'embeddings. De retrouver les trois fichiers sur quatre-vingts qui mentionnent une clause précise.
Déposez le ZIP, récupérez un seul bloc de texte brut contenant tout ce qui est lisible à l'intérieur. Aucun titre, aucun tableau à barres verticales, aucun caractère de balisage — de la prose que vous pouvez passer au grep, indexer, découper ou coller. Gratuit, sans compte, 50 Mo maximum par archive, et rien n'est conservé une fois la sortie entre vos mains.
Une archive en entrée, un corpus en sortie
L'archive est extraite, l'arborescence interne est parcourue, et chaque fichier dont l'extension est prise
en charge passe par la même logique de conversion que s'il avait été déposé seul. Le tout revient assemblé
en un texte continu. Les chemins des dossiers internes à l'archive sont conservés, vous savez donc encore
que tel passage vient de exports/2023/ et non de drafts/ — mais la sortie
elle-même reste plate, uniforme et facile à traiter par une machine.
L'argument d'efficacité se passe de démonstration. Quarante documents convertis un par un, ce sont quarante envois de fichier et quarante allers-retours par le presse-papiers. En une seule conversion groupée de fichiers en texte, c'est une opération. Et comme tout atterrit dans une sortie unique, il n'y a rien à recoller ensuite — aucun risque d'avoir collé deux fois le fichier 23 et sauté le 24.
Pourquoi le texte brut l'emporte sur le Markdown pour le travail en masse
Le Markdown justifie son coût quand un humain lit la sortie, ou quand la structure du document porte du sens. Pour la plupart des choses qu'on fait avec une archive entière, ni l'un ni l'autre n'est vrai, et le balisage devient un poids mort :
- Embeddings et pipelines RAG. Les découpeurs travaillent sur de la prose. Les tableaux à barres verticales et les marqueurs de titre se retrouvent coupés en deux entre deux fragments, diluent le signal sémantique de chaque vecteur et consomment un budget qui devrait aller au contenu réel. De toute façon, la plupart des codes d'ingestion commencent par retirer le Markdown — autant partir sans.
- Indexation pour la recherche. Quel que soit le moteur, un tokeniseur veut des mots propres. Les caractères de balisage deviennent du bruit que l'analyseur devra jeter.
- Analyse de mots-clés et de fréquences. Comptage de termes, cooccurrences, TF-IDF, simples passes d'expressions régulières — tout est plus net sur du texte sans ornement, sans risque qu'un séparateur de tableau soit compté comme un token.
- Déduplication et comparaison. Comparer deux conversions d'archive pour voir ce qui a bougé est nettement plus simple quand la mise en forme ne peut pas introduire de fausses différences.
- Économie de tokens. Sur des dizaines de documents, le balisage structurel finit par représenter une part sérieuse de votre fenêtre de contexte. S'en passer vous achète de la place pour davantage de matière première.
Basculez vers ZIP en Markdown quand c'est l'inverse — quand il vous faut des frontières nettes entre les documents, quand les tableaux et la numérotation des clauses comptent, ou quand c'est vous qui allez lire le résultat. Le sélecteur de format en haut de page fait la bascule et emporte avec lui l'archive déjà sélectionnée : vous pouvez donc produire les deux à partir d'un seul envoi et voir laquelle des deux sorties sert vraiment votre besoin.
Ce qu'il faut savoir avant d'extraire le contenu d'une archive ZIP
Les formats pris en charge sont convertis où qu'ils se trouvent dans l'arborescence : PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, RTF, MSG et images. Les archives qui mélangent les formats sont le cas normal, pas l'exception. Pour le détail du comportement d'un type donné une fois aplati, voyez PDF en texte, Word en texte, CSV en texte, ou MSG en texte pour les messages Outlook.
Ce qui est laissé de côté : vidéo, audio, binaires, polices, et tout ce qui sort de la liste. Deux autres cas valent d'être connus avant que la sortie ne vous surprenne.
- Les images ne sont pas lues à l'intérieur d'une archive. Déposé seul, un fichier image voit son texte reconnu et restitué. Glissé dans un ZIP, non — la passe groupée note le fichier et continue son chemin. Une archive de captures d'écran ou de pages numérisées est donc traitée sans erreur, mais vous récupérez des noms de fichiers au lieu des mots contenus dans les images. Quand ce sont justement ces mots qui vous intéressent, sortez ces images et passez-les une à une par image en texte.
- Les PDF numérisés posent exactement le même problème. Un PDF qui n'est en réalité qu'une photo de papier ne contient aucun texte à extraire. Le test tient en trois secondes : essayez de sélectionner une phrase dans un lecteur — si vous n'y arrivez pas, lancez une reconnaissance de texte avant de compresser.
- Les archives imbriquées. Un ZIP qui en contient d'autres mérite d'être décompressé d'un niveau à la main avant l'envoi.
Là où un corpus à plat prouve sa valeur
- La revue documentaire en volume. Un lot de pièces communiquées ou l'export d'une data room, où la première question est « lesquels mentionnent ne serait-ce qu'une fois ce qui m'intéresse » et non « lis-moi ce document ».
- La constitution d'une base de connaissances. Manuels internes, politiques et modes opératoires, convertis en une passe et versés dans un système de recherche pour servir de source de vérité à un assistant.
- Les exports de support et de tickets. Des mois de conversations aplatis en un texte sur lequel vous pouvez faire une analyse thématique, ou demander à un modèle de regrouper les réclamations récurrentes.
- Les corpus de recherche. Un dossier d'articles, de rapports et de jeux de données transformé en un seul texte, pour une analyse transversale plutôt qu'une lecture pièce par pièce.
- Migrations et audits de contenu. Avant de déplacer une documentation vers une nouvelle plateforme, convertissez l'archive complète et cherchez-y les références mortes, les noms de produit périmés et les pages en double.
- Les exports d'espaces de travail. Les téléchargements Slack, Notion et Takeout ont une structure brouillonne et des dossiers imbriqués à n'en plus finir. C'est l'aplatissement qui les rend exploitables.
Taille, ordre et découpage raisonnable
La limite de 50 Mo porte sur l'archive déposée, pas sur les fichiers pris un à un. Les documents riches en texte ont un très bon taux de compression, il en tient donc beaucoup ; les médias ne se compressent pas et avalent toute l'enveloppe pour rien. Retirez la vidéo et les grosses images avant de compresser.
Si vous comptez travailler le corpus par tranches, découpez par dossier et faites une archive par tranche — une par client, par trimestre, par projet. Chaque sortie reste d'une taille réellement collable, et le matériau qui va ensemble reste ensemble. Le compteur de tokens sous la sortie est le chiffre à surveiller : il vous dit tout de suite si un lot tient dans la fenêtre de contexte de votre modèle ou s'il faut le scinder, avant de l'apprendre à la dure.
Et si l'archive contient un projet de code plutôt que des documents, prenez plutôt le convertisseur de dossier local. Il vous donne une arborescence à cocher, ce qui vous permet d'écarter les dépendances, les artefacts de build et les lockfiles avant conversion — un contrôle qu'un simple dépôt d'archive ne peut pas offrir. Et si le code est déjà hébergé, c'est encore plus direct : le convertisseur GitHub vers texte part simplement de l'URL.
Questions fréquentes
Comment convertir un fichier ZIP en texte ?
Déposez l'archive ci-dessus. Elle est extraite, l'arborescence interne est parcourue, et chaque fichier dont l'extension est prise en charge est converti puis assemblé dans un unique bloc de texte brut. Gratuit, sans inscription, 50 Mo par archive, rien n'est conservé. Les chemins des dossiers internes sont repris dans la sortie, vous voyez donc d'où vient chaque morceau.
Quels types de fichiers sont convertis à l'intérieur de l'archive ?
Les mêmes treize que le site traite en envoi individuel — PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, images, EPUB, RTF, messages Outlook et archives imbriquées. Tout le reste est ignoré au lieu d'être recraché en bruit binaire : un lot qui mélange des documents avec des vidéos et des exécutables produit donc quand même une sortie propre.
Est-ce que ça marche sur une archive protégée par mot de passe ?
Non. Un ZIP chiffré n'a aucune entrée lisible tant qu'il n'est pas déchiffré, et il n'y a nulle part où saisir le mot de passe. Extrayez-le d'abord localement, recompressez sans chiffrement, ou pointez le convertisseur de dossier local sur le répertoire extrait.
Mon archive dépasse 50 Mo — je fais quoi ?
Découpez-la par dossier et convertissez en plusieurs passes, ou évitez complètement l'étape archive : extrayez-la sur votre machine et utilisez le convertisseur de dossier local, qui n'envoie rien, parcourt toute l'arborescence et vous laisse cocher exactement les fichiers à inclure. Pour un gros volume documentaire, c'est de toute façon la meilleure voie.
Est-ce le bon outil pour un dépôt de code compressé ?
Pas vraiment. Pour du code source, le convertisseur GitHub et l'outil de dossier local sont faits pour ça — ils affichent l'arborescence, vous laissent décocher node_modules et les lockfiles, et comptent les tokens au fur et à mesure. Cette page vise les archives de documents, où il n'y a pas d'arborescence à élaguer.
Le reste de la boîte à outils
File2Txt accepte n'importe quel format pris en charge depuis une page unique, si vous préférez ne pas choisir. Et il y a un guide plus long sur la préparation des fichiers pour les LLM si vous voulez le raisonnement complet en un seul endroit.
Repo2Txt est conçu et maintenu par v12hero, un développeur indépendant qui crée des applications natives et web respectueuses de la vie privée.