Récupérer le contenu d’un PDF : texte, données, images et archives

Pourquoi un PDF est difficile à reconvertir

Dans la plupart des PDF, le texte est stocké sous forme de caractères placés à des positions précises sur la page. Rien n’indique souvent qu’un groupe de lignes forme un paragraphe, que certains mots sont un titre ou qu’une grille de nombres est un tableau avec des lignes et des colonnes. Un convertisseur doit reconstruire cette structure à partir des positions, ce qui fonctionne bien pour les documents simples et mal pour les mises en page complexes. Les PDF numérisés sont encore plus difficiles, car ils ne contiennent aucun caractère, seulement des images de pages. C’est pourquoi le fichier source reste toujours la voie la plus fiable quand il existe, et pourquoi les convertisseurs de VelloDoc privilégient un résultat propre et honnête plutôt qu’une imitation de la mise en page d’origine. Le guide des formats explique les compromis sous-jacents.

Récupérer les mots

Trois convertisseurs récupèrent le texte pour des usages différents. PDF en Word produit un DOCX modifiable avec le texte de chaque page en paragraphes et les sauts de page conservés, prêt à être remis en forme, mais il ne reconstruit ni les polices, ni les tableaux, ni les images, ni les colonnes. PDF en TXT écrit tout le texte dans un fichier UTF-8, la forme la plus portable pour citer, rechercher et analyser. PDF en Markdown ajoute un titre par page, un point de départ pratique pour les wikis et les applications de notes. Si le résultat est illisible alors que la page s’affiche normalement, le PDF stocke les caractères sans correspondance correcte avec les lettres ; lancer l’OCR puis reconvertir règle généralement le problème.

Récupérer des chiffres et des tableaux

PDF en Excel crée une feuille par page, transforme chaque ligne de texte en ligne de tableur et sépare les cellules là où le texte contient une tabulation ou un large espace, ce qui correspond à la façon dont beaucoup de PDF disposent les colonnes. Les tableaux simples et régulièrement espacés passent bien ; les cellules fusionnées, le texte renvoyé à la ligne et les cellules vides demandent des retouches, car l’espacement est le seul indice de structure. Les valeurs arrivent sous forme de texte : convertissez-les en nombres avant de calculer. Pour des données issues à l’origine d’un export de système, demander le CSV est toujours plus fiable que de les extraire d’un PDF, et CSV en PDF couvre le chemin inverse quand vous avez besoin d’un tableau imprimable.

Des images des pages ou les images qu’elles contiennent

Deux tâches se confondent facilement. Le rendu de pages produit des images de pages entières : PDF en JPG, PDF en PNG et PDF en WebP convertissent chaque page à 120, 150 ou 200 ppp et livrent un ZIP, le JPG convenant aux photos, le PNG au texte et aux schémas, et le WebP aux sites web. Extraire les images récupère au contraire les photos et graphiques stockés dans le PDF, dans leur format et leur résolution d’origine, ce qui peut offrir une qualité bien supérieure à un rendu de page. Pour présenter des pages, PDF en PowerPoint place chaque page sur une diapositive aux proportions de la page, sous forme d’image que l’on peut annoter mais pas modifier.

Un PDF sous forme de page web

Les longs PDF sont peu pratiques sur téléphone et opaques pour les moteurs de recherche. PDF en HTML transforme un document en une seule page web autonome : les pages dotées d’une couche de texte deviennent du vrai texte qui s’adapte à l’écran et peut être sélectionné, recherché et lu à voix haute, avec leurs images intégrées, tandis que les pages numérisées sont incluses sous forme d’images pour ne rien perdre. La mise en page exacte, les colonnes et les polices sont simplifiées au profit de la lisibilité. Pour les sites de documentation qui utilisent Markdown, le convertisseur Markdown convient mieux, et publier le PDF d’origine à côté du HTML laisse une version imprimable à ceux qui la souhaitent.

Les numérisations ont d’abord besoin d’OCR

Toute conversion basée sur le texte dépend d’une couche de texte. Un PDF numérisé ou photographié n’en a pas : PDF en Word renvoie des pages vides, PDF en Excel des feuilles vides et PDF en HTML se rabat sur des images de pages. OCR PDF ajoute du texte reconnu dans l’une de 39 langues, après quoi tous les convertisseurs de texte fonctionnent normalement. La reconnaissance n’est pas parfaite, surtout avec les petits caractères, l’écriture manuscrite et les mises en page complexes : vérifiez les noms, les chiffres et les dates dans le résultat. Nettoyer les numérisations avant la reconnaissance, avec les outils d’optimisation pour redresser et supprimer les pages blanches, améliore nettement la précision, et ce qui rend un PDF interrogeable explique pourquoi.

Des réponses tirées de plusieurs PDF

Parfois, vous n’avez rien à convertir. Il vous faut une réponse répartie entre plusieurs fichiers. L’Espace de travail PDF avec IA lit le texte de jusqu’à 20 PDF pour que vous puissiez chercher dans tous à la fois, directement dans votre navigateur. Il peut aussi demander à Claude, un modèle d’IA créé par Anthropic, de comparer les documents, de lister leurs désaccords ou d’écrire un résumé, avec le nom du fichier et le numéro de page de chaque point. La recherche est gratuite et ne quitte pas votre navigateur. Les réponses de l’IA envoient le texte à Anthropic seulement quand vous le demandez et l’acceptez, alors vérifiez chaque référence de page avant de vous y fier.

Archiver plutôt que convertir

Parfois, l’objectif n’est pas de réutiliser le contenu mais de garder le document lisible pendant des décennies. PDF en PDF/A réécrit un fichier selon la norme d’archivage PDF/A-2 avec Ghostscript, en intégrant les polices et un profil de couleur sRGB pour que le fichier ne dépende de rien d’extérieur. Aucun convertisseur ne peut garantir que chaque fichier passe une validation stricte : vérifiez donc le résultat avec un validateur comme veraPDF quand la conformité est obligatoire. Réparez d’abord les fichiers endommagés avec Réparer un PDF, donnez au document un titre explicite avec Voir et modifier les métadonnées, et rendez les numérisations interrogeables avant l’archivage pour qu’elles restent faciles à retrouver.

Enchaînements courants

Questions sur la conversion de PDF vers d’autres formats

Guides associés