Extraire le texte d'un PDF, et pourquoi certains PDF ne donnent rien

Deux PDF peuvent sembler identiques dans une visionneuse et se comporter de façon totalement différente quand vous essayez d’en sortir les mots. L’un vous livre chaque phrase. L’autre ne vous livre rien du tout, et aucun réglage n’y changera quoi que ce soit. La différence ne se voit pas à l’écran, alors mieux vaut la comprendre avant d’accuser l’outil.

Couche de texte et OCR : définitions

Une couche de texte est l’ensemble des caractères qu’un PDF stocke sous forme de texte, chacun avec sa position sur la page. Sélectionner un mot, chercher avec Ctrl+F ou Cmd+F et extraire le texte : tout cela lit la couche de texte, et rien d’autre. Un PDF exporté depuis un traitement de texte ou un navigateur en possède une, parce que le logiciel savait quel était chaque caractère au moment d’écrire le fichier.

L’OCR, ou reconnaissance optique de caractères, est une opération distincte : elle consiste à déterminer quels caractères figurent sur l’image d’une page. Un scanner ou l’appareil photo d’un téléphone produit une image ; un PDF scanné a donc des pages mais pas de couche de texte, et l’extraction ne renvoie rien tant qu’aucun logiciel n’a fait d’OCR. Cet outil ne fait pas d’OCR. Reconnaître des glyphes à partir de pixels est une tout autre opération, qui demande un téléchargement bien plus lourd, et la page de l’outil la mentionne parmi ce qu’il ne fait pas.

Le test le plus rapide ne demande aucun outil : ouvrez le PDF et essayez de sélectionner un seul mot. Si vous n’y arrivez pas, la page est presque certainement une image.

Convertir un PDF en texte, étape par étape

1. Ouvrez PDF to text et choisissez Add a PDF (ajouter un PDF), ou déposez le fichier sur la page. Chaque page s’affiche sous forme de vignette. Un fichier protégé par mot de passe vous le demande d’abord.
2. Appuyez sur le bouton PDF to text. Il n’y a aucun réglage à choisir.
3. Lisez la première page du résultat dans la zone de texte avant toute chose. Elle vous dit immédiatement si le document a une couche de texte et si son ordre correspond à l’ordre de lecture. Ensuite, Copy (copier) le texte, ou Download (télécharger) sous le nom document.txt.

À quoi ressemble le résultat

L’outil lit le texte de chaque page dans l’ordre où le fichier le liste, relie les morceaux par des espaces simples et commence la page suivante après une ligne vide. Les retours à la ligne à l’intérieur d’une page ne sont pas conservés : chaque page arrive donc sous la forme d’un seul long paragraphe. Ce format convient bien pour chercher, citer ou coller dans un outil qui remettra le texte en forme, et mal à tout ce dont les retours à la ligne portent le sens, comme un bloc d’adresse.

Il n’y a pas de limite de pages. Un rapport de 300 pages est la même opération qu’un ticket de caisse ; seule change la durée que met votre propre processeur.

Pourquoi certains PDF ne donnent rien, et d’autres un texte en vrac

Ce que vous ajoutez	Ce que vous obtenez	Pourquoi
Un document exporté depuis un traitement de texte ou un navigateur	Le texte, un bloc par page	Il a une couche de texte
Un article sur deux colonnes avec un en-tête courant	Tous les mots, avec les colonnes en partie entremêlées	L’extraction suit l’ordre interne du fichier, pas l’ordre visuel
Un document scanné	Rien	Chaque page est une image sans couche de texte, et l’outil ne fait pas d’OCR
Un PDF créé à partir de photos avec Images to PDF	Rien	Cet outil dessine des images sur des pages et n’ajoute aucun texte
Un PDF réduit avec le réglage Strong ou Smallest de Compress PDF	Rien	Les deux convertissent chaque page en JPEG puis la réintègrent, si bien que la couche de texte disparaît
Un PDF protégé par mot de passe	Une demande de mot de passe, puis le texte	Le contenu reste chiffré jusqu’à l’ouverture du fichier

Le scan est le cas que les gens rencontrent. Le fichier n’a aucun problème, l’extracteur non plus : il n’y a tout simplement pas de texte dedans, seulement des images de texte. Quand aucune page ne contient le moindre texte, l’outil le dit : il indique qu’aucun texte n’a été trouvé, cite un scan comme cause probable et précise qu’il ne fait pas d’OCR. Jusqu’en octobre 2026, il renvoyait une zone vide sans explication, ce qui est exactement la confusion que ce guide cherche à dissiper. Les deux lignes suivantes décrivent le même échec, provoqué volontairement. Un document passé par un compresseur qui rastérise les pages est, pour n’importe quel extracteur, un scan : c’est le compromis décrit dans notre mesure de la compression PDF sans perte.

L’entremêlement est un problème plus subtil. L’ordre de lecture est la suite dans laquelle une personne lit les mots, et un PDF ne l’enregistre pas. Il stocke des glyphes avec des coordonnées, et le paragraphe que vous voyez, c’est votre œil qui l’assemble. La plupart des logiciels se trouvent lister le texte dans l’ordre de lecture, donc la plupart des fichiers sortent correctement. Dans une mise en page sur deux colonnes, les colonnes s’entremêlent souvent, et le texte des en-têtes, des pieds de page ou des encadrés flottants peut apparaître n’importe où dans le flux. Il n’existe pas de solution générale fiable sans analyse de mise en page, et aucune bibliothèque côté navigateur ne l’implémente.

Si le PDF est un scan

Il vous faut de l’OCR, et ce site n’en propose pas. Si votre logiciel d’OCR attend des images plutôt qu’un PDF, convertissez les pages avec PDF to JPG à 300 dpi, la résolution que cet outil recommande pour l’OCR.

Du texte, pas un document Word

C’est pour la même raison qu’il n’y a pas de « PDF to Word » ici. Reconstituer des colonnes, des tableaux et des titres suppose de deviner une structure qui n’a jamais été enregistrée. Tous les outils gratuits qui prétendent le faire renvoient un texte à plat, tableaux détruits : le même texte, avec une extension de fichier trompeuse. Cet outil vous donne le texte et dit ce qu’il est.

Les autres méthodes

Aucune méthode intégrée au système, parmi celles que nous avons vérifiées, ne le fait. En ligne de commande, pdftotext de poppler fait le travail :

pdftotext -layout input.pdf output.txt

Il lit la même couche de texte : un scan ne lui donne rien non plus.

Vérifier que rien n’a été envoyé

Ajoutez le PDF et attendez les vignettes : c’est à ce moment que la page récupère le code qui lit les PDF. Coupez ensuite la connexion réseau et appuyez sur le bouton. L’extraction fonctionne quand même, parce qu’elle se déroule dans l’onglet.

Extrayez le texte avec PDF to text. Si vous voulez que les sauts de page soient marqués, PDF to Markdown effectue la même extraction et place un titre avant chaque page.