Vous avez récupéré un rapport PDF — documentation, compte rendu, mémoire — et vous voulez le réutiliser dans un wiki, un dépôt Git ou un coffre Obsidian. Copier-coller page par page donne un bloc de texte brut sans structure. La conversion PDF → Markdown vise mieux : restituer les titres, les paragraphes et les tableaux dans une syntaxe rééditable. Et comme tout se passe dans le navigateur, le document ne quitte pas votre machine — utile quand le rapport est interne ou confidentiel.
Comment l’extraction fonctionne
L’outil repose sur pdf.js, la même bibliothèque que le lecteur PDF de Firefox. Pour chaque page, getTextContent() renvoie les fragments de texte avec leur position et leur taille de police — c’est la couche texte du PDF, pas une reconstruction visuelle.
La structure est ensuite déduite par une heuristique simple :
- Les fragments sont regroupés en lignes selon leur position verticale (tolérance de 5 px).
- La taille de police médiane de la page sert de référence : une ligne dont la police dépasse 1,8× la médiane devient un
#, au-delà de 1,4× un##, au-delà de 1,15× un###. - Le reste est concaténé en paragraphes, dans l’ordre de lecture de la page.
Pour les tableaux, une détection complémentaire cherche au moins trois lignes dont les cellules s’alignent verticalement (même position horizontale, à 5 px près). Quand la grille est reconnue, elle est retranscrite en syntaxe | col | — la première ligne devient l’en-tête.
Le déroulé
- Déposez votre PDF (un fichier à la fois, jusqu’à 50 Mio et 1 000 pages).
- Cliquez sur « Extraire » : la progression s’affiche page par page, avec un bouton d’annulation.
- Vérifiez l’aperçu : les 2 000 premiers caractères du Markdown sont affichés avant téléchargement.
- Téléchargez le
.md: chaque page est marquée par un commentaire<!-- Page N -->et les pages sont séparées par une ligne---, ce qui aide à retrouver la pagination d’origine.
Ce qui survit — et ce qui est approximatif
Bien restitué : les titres (quand la hiérarchie de tailles de police est nette), les paragraphes, l’ordre du texte, et les tableaux réguliers convertis en grille Markdown.
Approximatif ou perdu :
- Listes imbriquées : les puces ne sont pas détectées comme telles — une liste à deux niveaux ressort comme du texte continu, à reindenter à la main.
- Liens : les annotations de liens ne sont pas lues ; seul le texte visible survit, les URL sont perdues.
- Images et figures : aucune extraction d’image, le Markdown reste purement textuel.
- Styles : gras, italique et couleurs ne sont pas transcrits — l’heuristique ne regarde que la taille de police.
- Mises en page multi-colonnes : le regroupement par position verticale peut entrelacer les colonnes — à vérifier sur les brochures et articles de presse.
- Tableaux complexes : cellules fusionnées ou grilles irrégulières produisent des colonnes décalées — d’où la mention « best-effort ».
En résumé : le Markdown produit est une structure de travail, pas une transcription fidèle. Prévoyez une passe de relecture, surtout si le PDF est dense.
Quand ça suffit, quand préférer autre chose
L’extraction Markdown est le bon choix quand vous voulez un texte structuré et rééditable : importer des sections dans un wiki, réutiliser des titres dans un plan, versionner le contenu.
Préférez le texte brut si la structure n’a pas d’importance — pour indexer ou chercher dans le contenu, l’extraction de texte simple est plus directe. Et si le PDF est un scan sans couche texte, l’outil le détecte (il vérifie les premières pages) et vous prévient : il faut d’abord passer par un OCR en local pour créer la couche texte, puis relancer l’extraction.
Le sens inverse
Si votre besoin est plutôt de produire un PDF depuis des notes Markdown — pour l’envoyer ou l’imprimer — c’est l’autre sens de la chaîne, couvert par Markdown vers PDF : convertir en local. Les deux outils se complètent : Markdown → PDF pour la diffusion, PDF → Markdown pour la réutilisation.
Limites
- Le résultat est approximatif par nature : aucun PDF → Markdown automatique ne restitue fidèlement les listes, liens et styles — les nôtres sont détaillés ci-dessus plutôt que survendus.
- La détection des titres dépend des tailles de police : un document où tout est à la même taille ne produira aucun titre.
- Un fichier à la fois, 50 Mio maximum, 1 000 pages maximum.
- Les PDF scannés nécessitent un OCR préalable — l’extraction seule n’y lit rien.
