Extraire le texte d'un PDF (copier sans lignes cassées)

Pourquoi copier le texte d'un PDF est-il si pénible ?

Vous sélectionnez un paragraphe dans un PDF, le collez dans Word ou un email… et obtenez un désordre : un retour à la ligne tous les trois mots, des tirets au milieu des mots, des colonnes mélangées, parfois des caractères étranges.

La raison : un PDF ne stocke pas de « paragraphes ». Il stocke des morceaux de texte placés à des coordonnées précises sur la page — une ligne ici, un mot là. La notion de paragraphe n'existe que visuellement. Au moment de copier, le lecteur doit deviner l'ordre de lecture, et il se trompe souvent.

Extraire le texte d'un PDF entier

L'outil PDF en texte lit la couche texte du document avec PDF.js et reconstruit lignes et paragraphes à partir de la position de chaque morceau de texte. Tout se passe dans votre navigateur : le PDF n'est jamais envoyé.

1. Déposez votre PDF sur la page.
2. Choisissez les pages : toutes, la première seulement, ou une plage.
3. Copiez le texte dans le presse-papiers ou téléchargez-le en fichier .txt.

PDF texte ou PDF scanné ?

Tout dépend de la façon dont le PDF a été créé :

Type de PDF	Comment le reconnaître	Outil
PDF texte (exporté depuis Word, un site, un logiciel)	On peut sélectionner un mot dans le lecteur	PDF en texte : instantané, exact
PDF scanné (photocopie, scanner, photo de téléphone)	La sélection dessine un rectangle sur une image	Convertir les pages en images, puis passer par l'OCR
Mixte	Certaines pages sélectionnables, d'autres non	Les deux, page par page

Ce qui peut coincer (et comment le corriger)

• Mises en page en colonnes (journaux, articles scientifiques) : le texte peut sortir colonne par colonne ou ligne par ligne à travers les colonnes. Relisez et réorganisez si besoin.
• Mots coupés en fin de ligne : utilisez l'outil rechercher / remplacer pour les recoller.
• Retours à la ligne indésirables : le même outil, en mode regex, peut fusionner les lignes en paragraphes.
• En-têtes et numéros de page répétés sur chaque page : retirez-les avec le filtre de texte ou un rechercher / remplacer.
• Caractères étranges : certains PDF utilisent des polices sans table de correspondance correcte ; le texte ne peut alors pas être extrait proprement — l'OCR reste la solution de secours.

Cas d'usage

• Citer un rapport ou une étude sans tout retaper.
• Traduire un document : extrayez le texte, puis collez-le dans votre traducteur.
• Analyser des contrats : chercher une clause, comparer deux versions avec l'outil de comparaison de textes.
• Alimenter un tableur : extraire une facture ou un relevé, puis le nettoyer.
• Accessibilité : obtenir une version texte brut pour un lecteur d'écran ou un affichage en gros caractères.

Les PDF protégés

Certains PDF interdisent la copie via leurs paramètres de sécurité. Un PDF chiffré qui demande un mot de passe à l'ouverture ne peut pas être lu sans ce mot de passe. Si vous êtes propriétaire du document, retirez la protection avec le logiciel qui l'a créé.

Conclusion

Pour obtenir un texte propre à partir d'un PDF, ne copiez-collez pas depuis le lecteur : extrayez la couche texte avec un outil dédié, qui reconstruit lignes et paragraphes. Si le PDF est un scan, passez par les images et l'OCR. Dans les deux cas, votre document reste sur votre ordinateur.