Comment copier le texte d'un PDF

La réponse courte

Pour quelques lignes, sélectionnez le texte à la souris ou au doigt et copiez-le (Ctrl+C sous Windows, Cmd+C sur Mac). Pour des pages entières ou de longs documents, déposez le PDF dans l'extracteur ci-dessous et téléchargez un fichier TXT contenant tout le texte dans l'ordre de lecture. Laissez Ajouter des repères de page activé : chaque page commence alors par une ligne comme [Page 3], et vous retrouvez toujours d'où vient un passage. Utilisez le champ Pages pour limiter l'export, par exemple 1-3, 5 ou 8-.

Si l'outil indique qu'aucun texte n'a été trouvé, le PDF est probablement un scan. Passez directement à la partie sur l'OCR plus bas.

Deux sortes de PDF : du texte ou des images

Un PDF enregistré depuis Word, Google Docs, un site web ou un logiciel de comptabilité contient du vrai texte : chaque lettre est stockée avec sa police et sa position. Vous pouvez y chercher avec Ctrl+F, le sélectionner et le copier.

Un PDF produit par un scanner, un photocopieur ou une application de numérisation sur téléphone est différent. Chaque page est une photo du papier. Elle ressemble à du texte, mais pour l'ordinateur c'est une grille de pixels : le curseur ne sélectionne rien, ou sélectionne toute la page comme une image. La recherche ne trouve rien non plus. Certaines applications de numérisation lancent automatiquement l'OCR et ajoutent une couche de texte invisible, ce qui explique que certains scans soient consultables et d'autres non.

Un test rapide : appuyez sur Ctrl+F (Cmd+F) dans votre lecteur PDF et cherchez un mot que vous voyez sur la page. S'il est trouvé, le PDF contient du texte. Sinon, c'est un scan sans couche de texte.

Copier le texte sur chaque appareil

• Windows et Mac : ouvrez le PDF dans un navigateur, dans Adobe Acrobat Reader ou dans Aperçu, faites glisser le curseur sur le texte et copiez. Ctrl+A (Cmd+A) sélectionne tout le texte, mais dans un long document le résultat est souvent désordonné.
• Microsoft Word : Fichier > Ouvrir, puis choisissez le PDF. Word le convertit en document modifiable. Il garde plus de mise en forme qu'un copier-coller, mais les tableaux et les mises en page complexes peuvent bouger : vérifiez le résultat.
• iPhone et iPad : ouvrez le PDF dans Fichiers ou Livres, maintenez le doigt sur un mot, faites glisser les poignées et touchez Copier. Pour les scans et les photos, le Texte en direct reconnaît le texte dans les images sur les versions récentes d'iOS.
• Android : ouvrez le PDF dans Google Drive ou un autre lecteur PDF, maintenez le doigt pour sélectionner, puis touchez Copier. Pour les scans, Google Lens peut lire le texte d'une photo de la page.
• N'importe quel appareil, document entier : utilisez l'extracteur de cette page pour obtenir un seul fichier TXT propre au lieu de copier page par page.

Pourquoi le texte collé est bizarre, et comment le corriger

Copier depuis un PDF donne souvent des lignes coupées, des colonnes mélangées ou des caractères étranges. La raison : un PDF enregistre l'emplacement de chaque morceau de texte sur la page, pas la façon dont les paragraphes s'enchaînent. Le lecteur doit deviner l'ordre de lecture.

• Un retour à la ligne après chaque ligne : dans un PDF, les lignes s'arrêtent là où s'arrête la page, pas là où finit la phrase. Dans un éditeur de texte, remplacez les retours à la ligne simples par des espaces, ou collez le texte dans un outil qui joint les lignes.
• Colonnes mélangées : une sélection à cheval sur deux colonnes prend les deux. Sélectionnez une colonne à la fois, ou extrayez le texte : l'extracteur lit le texte dans l'ordre où il est stocké dans le fichier, ce qui veut généralement dire une colonne après l'autre.
• Mots coupés en deux par un trait d'union : les mots coupés en fin de ligne gardent leur trait d'union. Cherchez un trait d'union suivi d'un retour à la ligne et supprimez les deux.
• Charabia ou petits carrés à la place des lettres : certains PDF intègrent des polices sans table de correspondance entre les formes et les vrais caractères. Le texte s'affiche bien mais se copie en caractères incompréhensibles. L'extraction n'y changera rien ; traitez le fichier comme un scan et passez par l'OCR.
• Les tableaux deviennent de longues lignes : le texte brut n'a pas de cellules. Les valeurs d'une ligne du tableau se retrouvent sur une seule ligne, séparées par des espaces. Pour de vrais tableaux, copiez ligne par ligne ou reconstruisez le tableau dans un tableur.

Quand il faut passer par l'OCR

L'OCR (reconnaissance optique de caractères) analyse l'image d'une page et retransforme la forme des lettres en texte. Vous en avez besoin pour les scans, les photos de documents et les PDF dont le texte se copie en charabia.

Sur Anyfeat, cela se fait en deux étapes, sans rien envoyer. Ouvrez d'abord le scan dans PDF en image, choisissez PNG et la résolution Haute (impression), qui produit des images à 300 DPI que l'OCR lit bien plus fiablement qu'une résolution d'écran. Ouvrez ensuite les images dans Image en texte (OCR), choisissez la Langue du texte et copiez le résultat ou téléchargez-le en TXT. Le choix de la langue compte : c'est lui qui permet de reconnaître correctement les accents français (é, è, à, ç), les ligatures comme œ, le i avec ou sans point du turc ou les trémas allemands.

Conseils pour un texte extrait propre

• N'extrayez que les pages utiles avec le champ Pages, par exemple 4-12, pour ne pas avoir à supprimer la couverture et les annexes ensuite.
• Gardez les repères de page si vous allez citer le texte ou donner vos sources : il est beaucoup plus facile de retrouver la page plus tard.
• Le fichier TXT est enregistré en UTF-8 : toutes les langues et tous les alphabets passent correctement, y compris le cyrillique, le grec, l'arabe et le chinois, et il s'ouvre correctement dans n'importe quel éditeur de texte.
• Plusieurs PDF peuvent être traités en même temps. Chacun devient son propre fichier TXT, et vous pouvez tout télécharger en ZIP.
• Relisez toujours le résultat de l'OCR, surtout les chiffres, les noms et les montants. Un 5 lu comme un S dans le total d'une facture passe facilement inaperçu.