Pour extraire le texte d’un PDF sous Windows, vérifiez d’abord si vous pouvez sélectionner le texte. Si oui, copiez-le dans un lecteur PDF ou convertissez tout le fichier avec MD Factory. Sinon, les pages sont des images, et le texte doit être reconnu par OCR.
Les deux types de PDF demandent des méthodes différentes. Les étapes ci-dessous commencent par le test qui indique de quel type est le vôtre.
Vérifier si le texte est sélectionnable
Ouvrez le PDF dans Microsoft Edge, Chrome ou Adobe Acrobat Reader. Appuyez sur Ctrl+F et cherchez un mot visible sur la page.
- Le mot est trouvé et surligné : le PDF contient du texte sélectionnable.
- Rien n’est trouvé, ou faire glisser la souris sur une ligne ne la sélectionne pas : la page est une image de texte.
Un même PDF peut contenir les deux. Un rapport tapé peut se terminer par des annexes scannées : lancez donc la recherche sur une page du milieu et sur une page de la fin.
Copier le texte dans un lecteur PDF
Pour quelques paragraphes, c’est le moyen le plus rapide. Faites glisser la souris sur le texte et appuyez sur Ctrl+C. Pour copier tout le document, appuyez sur Ctrl+A, puis Ctrl+C. Collez le texte dans le Bloc-notes ou dans Word avec Ctrl+V.
Le texte copié comporte souvent un saut de ligne à la fin de chaque ligne, un tableau arrive sous forme de lignes isolées, et sur une page à deux colonnes le texte d’une colonne peut se mêler à l’autre. Les numéros de page et les en-têtes courants sont copiés aussi.
Ouvrir le PDF dans Word
Word peut ouvrir un PDF comme document modifiable. Allez dans Fichier, puis Ouvrir, choisissez le PDF et sélectionnez OK quand Word propose de le convertir. Selon Microsoft, cela fonctionne mieux avec les PDF composés surtout de texte, et les lignes et les pages peuvent se couper à d’autres endroits que dans l’original. Les étapes sont décrites dans Modifier un PDF.
Utilisez cette méthode si vous voulez continuer à modifier le texte dans Word. Pour du texte brut, ou pour de nombreux fichiers, convertissez-les plutôt.
Convertir tout le PDF avec MD Factory
- Ouvrez MD Factory et cliquez sur Ajouter des fichiers, ou faites glisser le PDF dans la fenêtre. Pour convertir tous les PDF d’un dossier, sous-dossiers compris, cliquez sur Ajouter un dossier.
- La conversion démarre immédiatement. Une fois terminée, la ligne affiche Terminé, À vérifier ou Échec.
- Double-cliquez sur le chemin du résultat dans la ligne pour ouvrir le texte.
Le texte est enregistré dans un fichier portant le nom du PDF et l’extension .md, dans le même dossier. Les images du PDF vont dans un dossier à côté. La conversion s’effectue sur votre PC.
Reports/
annual-report.pdf
annual-report.md
annual-report_images/Le fichier .md est du texte brut : le Bloc-notes peut donc l’ouvrir. Les titres commencent par # et les tableaux sont tracés avec des caractères |. Le guide de conversion de PDF en Markdown présente ces fichiers plus en détail.
Extraire le texte d’un PDF scanné
Ajoutez un PDF scanné de la même façon. MD Factory repère les pages qui sont des images et en reconnaît le texte par OCR sur votre PC. Dans un PDF qui mélange pages tapées et pages scannées, le texte tapé est conservé tel quel, et l’OCR ne s’applique qu’aux pages scannées.
L’OCR peut mal lire un texte pâle, de travers ou manuscrit. Si une ligne affiche À vérifier ou Échec, cliquez sur le statut, choisissez la langue du document dans la liste Langue OCR, puis cliquez sur Réessayer. Le guide des PDF scannés explique le réglage de la langue et la signification de chaque message.
Pour une seule page scannée sous Windows 11, l’Outil Capture d’écran peut aussi le faire. Appuyez sur Windows+Shift+S, sélectionnez la zone, puis choisissez Actions de texte et Copier tout le texte. Selon Microsoft, la reconnaissance du texte s’exécute sur votre appareil : voir Utiliser l’Outil Capture d’écran pour réaliser des captures d’écran.
Vérifier le texte extrait
Quelle que soit la méthode, comparez le résultat avec le PDF avant de vous y fier :
- Lisez le texte à cheval sur un saut de colonne et un saut de page pour vérifier l’ordre des phrases.
- Supprimez les numéros de page et les en-têtes courants qui interrompent une phrase.
- Comparez avec le PDF chaque chiffre que vous allez utiliser, comme les montants, les dates et les numéros d’identification.
- Dans un tableau, vérifiez que chaque valeur se trouve sur la bonne ligne.
Le texte issu d’un scan demande la plus grande attention : un chiffre mal lu paraît aussi plausible qu’un chiffre correct.
Quelle méthode choisir
| Méthode | Idéal pour | Limites |
|---|---|---|
| Copier dans un lecteur | Quelques paragraphes d’un PDF au texte sélectionnable | Ne lit pas les scans. Les sauts de ligne et les tableaux demandent un nettoyage. |
| Ouvrir dans Word | Un PDF de texte à modifier comme document Word | La mise en page peut changer. Fonctionne mieux avec surtout du texte. |
| MD Factory | Des PDF entiers, des dossiers de PDF et des scans | Le résultat doit être comparé au PDF. |
| Outil Capture d’écran | Une page scannée, ou une partie de page, sous Windows 11 | Une seule zone de l’écran à la fois. |
Questions
Puis-je extraire le texte d’un PDF protégé par mot de passe ?
MD Factory ne convertit pas les PDF protégés par mot de passe. Ouvrez le PDF avec son mot de passe dans votre lecteur, enregistrez-en une copie sans mot de passe si vous y êtes autorisé, puis convertissez cette copie.
Comment extraire le texte de nombreux PDF à la fois ?
Cliquez sur Ajouter un dossier dans MD Factory. Chaque PDF obtient son propre fichier texte. Pour chercher dans tous ces fichiers, voir comment rechercher dans de nombreux fichiers PDF et Word.
MD Factory conserve-t-il la mise en page du PDF ?
Non. Vous obtenez le texte avec ses titres, ses listes et ses tableaux, pas l’aspect de la page. Gardez le PDF pour tout ce qui dépend de la mise en page.