Extraire le texte d’un PDF sans l’envoyer en ligne

Pourquoi extraire le texte

Citer un passage, alimenter un tableur, indexer un corpus, traduire un contenu : tant que le texte est enfermé dans le PDF, il reste difficile à réutiliser. L’extraction page par page le restitue en fichiers texte, prêts à être collés dans un éditeur, importés dans un outil d’analyse ou fouillés par la suite.

Texte natif vs scan

La distinction compte : un PDF produit par un traitement de texte contient une couche texte directement extractible. Un scan est une image — les caractères visibles n’existent pas comme texte. Pour ces derniers, l’OCR en local est le passage obligé avant extraction.

Comment procéder

1. Ouvrez l’outil « Texte par pages » et déposez votre PDF.
2. Document Flare lit le PDF localement via pdf.js et extrait le texte de chaque page.
3. Cliquez sur « Convertir ». Le résultat est fourni sous forme de fichiers .txt, un par page.
4. Si le document contient plusieurs pages, les fichiers sont groupés dans une archive ZIP.

Les limites exactes

• Fichier source : un seul PDF, jusqu’à 50 Mio et 1 000 pages.
• Sortie : un fichier .txt par page, encodé en texte brut. Avec plusieurs pages, l’outil livre une archive ZIP nommée mon-document-extract-text-by-pages.zip.
• Traitement : entièrement local, sans DPI à régler (les options de résolution ne concernent que les modes image comme PDF vers PNG ou TIFF).
• Le document source n’est pas modifié.

Ce qui est conservé et ce qui ne l’est pas

L’outil repose sur getTextContent() de pdf.js. Il récupère :

• le texte brut de chaque page ;
• les sauts de ligne signalés par le document (lorsque l’élément texte porte un indicateur de fin de ligne).

Il ne récupère pas :

• les titres, listes ou tableaux comme structure (un tableau devient du texte en lignes mélangées) ;
• les polices de caractère, la couleur ou la taille du texte ;
• les images, graphiques, notes de bas de page ou légendes non liées au flux textuel.

Pour conserver une structure utilisable — titres, paragraphes, tableaux en Markdown — préférez l’export en Markdown.

Cas d’usage

• Extraire les articles cités d’un rapport pour une bibliographie.
• Alimenter un moteur de recherche ou un corpus documentaire.
• Préparer une traduction : texte extrait → traduction → nouveau document.
• Vérifier le contenu textuel d’un PDF avant diffusion.
• Archiver le contenu textuel d’un document pour un accès rapide par la suite.

Pièges fréquents

• PDF scanné : si le texte n’est pas sélectionnable dans votre lecteur PDF, l’extraction sortira une page vide. Passez d’abord par l’OCR local.
• Colonnes et tableaux : le flux textuel peut sortir dans l’ordre de dessin, pas dans l’ordre de lecture visuel. Relisez le résultat avant réutilisation.
• Caractères manquants : certains PDF utilisent des polices mal intégrées ou des glyphes masqués ; l’extraction peut alors renvoyer des espaces ou des caractères incorrects.
• Langues RTL : l’ordre des caractères dans les textes écrits de droite à gauche peut nécessiter une relecture.