Extraire le texte d’un PDF
Extraire du texte d’un PDF : lisez directement sa couche de texte et utilisez l’OCR pour les pages qui n’en ont pas.
Ajoutez un PDF et choisissez une plage de pages. Chaque page est examinée pour détecter une couche de texte : si elle existe, le texte est extrait sans OCR ; sinon, la page est rendue sous forme d’image pour être reconnue.
Laissez la plage vide pour traiter toutes les pages. Combinez des plages et des pages isolées, par exemple 1-3,5. La numérotation commence à 1 et doit rester dans le nombre de pages du document.
Modifiez le résultat de chaque page, puis copiez ou enregistrez en TXT toutes les pages ou la page sélectionnée. L’ordre de la couche de texte et les informations de police peuvent influencer l’espacement et l’ordre de lecture. L’outil ne reconstitue pas la structure des tableaux.
Mode d’emploi
- Sélectionnez un PDF et vérifiez son nombre de pages.
- Saisissez éventuellement une plage comme 1-3,5, puis lancez l’extraction.
- Examinez chaque page et choisissez les résultats à copier.
À vérifier
Le mode OCR sélectionné ne s’applique pas aux pages dotées d’une couche de texte. Il n’existe pour l’instant aucune option pour ignorer cette couche et forcer l’OCR.
Questions fréquentes
Les PDF textuels nécessitent-ils un modèle ?
Les pages avec une couche de texte sont extraites directement avec pdfjs-dist. Les pages sans couche de texte nécessitent un moteur d’OCR et les données de la langue sélectionnée.
Puis-je laisser la plage de pages vide ?
Oui. Une plage vide désigne toutes les pages. Une plage non valide est signalée avant le début du traitement.
Un PDF peut-il mélanger pages numérisées et pages textuelles ?
La couche de texte est vérifiée séparément pour chaque page. Seules les pages qui n’en ont pas passent par l’OCR.