Comment convertir un PDF en Markdown pour vos notes ou un chat IA

La plupart des PDF qui méritent d’entrer dans vos notes ou d’être soumis à un chat IA sont des rapports, des articles et des manuels, et le Markdown est le format que les deux gèrent le mieux. La conversion est rapide. Savoir exactement ce qui y survit, c’est ce qui vous dit si le modèle a vraiment reçu la partie du document sur laquelle vous l’interrogez.

PDF en Markdown, étape par étape

1. Ouvrez PDF to Markdown et choisissez Add a PDF (ajouter un PDF), ou déposez-le sur la page. Les vignettes des pages s’affichent. Un fichier protégé par mot de passe vous demande d’abord ce mot de passe.
2. Cliquez sur le bouton PDF to Markdown. Il n’y a aucun réglage.
3. Vérifiez que les titres de page correspondent au document, puis copiez le résultat avec Copy ou téléchargez-le avec Download sous le nom document.md.

La forme du résultat

Un titre de page, dans ce résultat, est la ligne ## Page n que l’outil écrit avant le texte de chaque page, où n est la position de la page dans le fichier, à partir de 1. Sous chaque titre vient tout le texte de cette page, lu dans l’ordre du fichier et réuni en un seul paragraphe. Un PDF de trois pages donne ceci :

## Page 1

(all the text on page 1, as one paragraph)

## Page 2

(all the text on page 2, as one paragraph)

## Page 3

(all the text on page 3, as one paragraph)

Les titres sont de niveau deux, pour que le fichier puisse se placer sous le titre propre d’une note sans entrer en concurrence avec lui. C’est la seule structure du résultat, et c’est voulu : le saut de page est la seule frontière structurelle qu’un PDF enregistre réellement. Tout le reste de ce que vous voyez sur une page (un titre, une liste à puces, un tableau) n’est que du texte et des lignes positionnés, sans rien dans le fichier qui dise ce qu’ils sont.

Ce que le Markdown produit ne peut pas transporter

Dans le PDF	Dans le Markdown
Un saut de page	Un titre ## Page n
Un titre à l’intérieur d’une page	Du texte brut, dans le paragraphe de la page
Le gras et l’italique	Du texte brut
Une liste à puces ou numérotée	Le texte des éléments, mis bout à bout
Un tableau	Le texte des cellules dans l’ordre du fichier, sans lignes ni colonnes
Les retours à la ligne et sauts de paragraphe dans une page	Un paragraphe par page
Une page numérisée	Un titre de page sans rien dessous ; un fichier entièrement numérisé reçoit un message à la place

Dans un PDF, un titre n’est qu’un texte qui se trouve être plus grand. Aucun marqueur n’indique « ceci est un titre » : un convertisseur qui transforme le grand texte en # devine à partir de la taille de police. Cela fonctionne sur des documents issus d’un même modèle et échoue sur tout le reste, et l’échec prend la forme d’un non-sens assuré : une hiérarchie de titres qui a l’air juste et qui ne l’est pas. Un tableau, ce sont des filets et du texte positionné sans aucune relation enregistrée entre eux, et le reconstituer exige une analyse des filets qui n’a pas d’implémentation côté navigateur. Le résultat est donc franchement brut plutôt que subtilement faux.

Le numéro de page est celui de la feuille, pas le numéro imprimé

Le n de chaque titre compte les feuilles depuis le début du fichier. Il ignore tout des numéros imprimés sur les pages. Prenez un rapport avec une couverture et quatre pages liminaires numérotées en chiffres romains : la page qui porte le chiffre « 1 » est la sixième feuille, et son titre est donc ## Page 6.

C’est dans un chat que cela compte le plus. Quand un modèle cite « page 6 », il désigne la sixième feuille du fichier que vous lui avez donné : cherchez donc la sixième page dans votre lecteur, et non la page qui porte un 6 en bas. Si vous produisez vous-même le PDF, numéroter chaque feuille à partir de 1 avec Page numbers fait concorder les deux.

Avant de le coller dans un chat IA

• Repérez les titres sans rien dessous. Un titre suivi directement du titre suivant signifie que la page était vide ou n’était qu’une image : le modèle n’en reçoit rien. Un document entièrement numérisé reçoit un message indiquant qu’aucun texte n’a été trouvé, car il n’y a pas de couche texte à lire et l’outil ne fait pas d’OCR ; un document dont seules certaines pages sont numérisées affiche des titres vides pour ces pages.
• Relisez une page à plusieurs colonnes. C’est la même extraction que PDF to text : deux colonnes peuvent s’entremêler, et le texte des en-têtes, des pieds de page ou des encadrés flottants peut atterrir au milieu d’une phrase.
• N’envoyez que les pages utiles. Split PDF extrait d’abord une plage de pages. Les titres comptent alors à partir du début de l’extrait : la page 1 du Markdown est la première page que vous avez gardée, pas la page 1 de l’original.
• Sachez à quel moment le texte quitte votre appareil. La conversion se fait dans l’onglet de votre navigateur. C’est en collant le résultat dans un service de chat que le document part vers ce service, et c’est une décision qui concerne le service, pas la conversion.

Autres façons de faire

Il n’existe pas de méthode intégrée sur macOS, Windows ou iPhone parmi celles que nous avons vérifiées. En ligne de commande, pdftotext de poppler produit du texte brut à partir de la même couche texte, sans les titres de page, qu’il faudrait ajouter vous-même :

pdftotext -layout input.pdf output.txt

Vérifier que rien n’a été envoyé

Ouvrez l’onglet Réseau des outils de développement de votre navigateur avant d’ajouter le PDF. À l’ouverture du fichier, la page récupère le code qui lit les PDF ; ensuite, lancer la conversion et copier le résultat n’ajoutent aucune requête qui transporte votre document.

Convertissez le document avec PDF to Markdown. Si vous voulez le texte sans les titres de page, PDF to text vous donne les mêmes mots, en un bloc par page.