Convertisseur PDF en TXT

Un PDF ne stocke pas un paragraphe de texte comme le fait un éditeur de texte. Il stocke la forme et la position de chaque caractère sur la page, à la manière d'une imprimante qui dépose de l'encre. Pour retrouver un texte lisible, cet outil lit ces données de position page par page, avec le même moteur open source que celui qui affiche les PDF dans Firefox.

Pour chaque page, les coordonnées de chaque caractère sont collectées et regroupées en lignes selon leur hauteur sur la page. Dans une ligne, les caractères sont triés de gauche à droite et assemblés. En empilant ces lignes de haut en bas et en répétant l'opération pour chaque page, le résultat se lit proche de la mise en page d'origine pour les documents normaux à une seule colonne, comme les lettres, les rapports ou les articles.

Cette méthode a une limite claire : elle ne fonctionne que sur les PDF qui contiennent déjà du vrai texte sélectionnable. Une page numérisée est en réalité une photographie enregistrée dans un PDF, sans aucune donnée de caractères derrière elle : cet outil n'a donc rien à lire. Reconnaître le texte d'une image numérisée nécessite un procédé distinct appelé OCR, qui ne fait pas partie de cet outil. Exécuter des scripts non fiables sur une page numérisée côté serveur serait en outre un risque de sécurité : l'outil reste donc un pur extracteur de couche de texte.

Chaque étape se déroule sur votre appareil. Le PDF est ouvert, lu et converti dans votre navigateur, puis il disparaît dès que vous fermez l'onglet. Rien n'est importé : le fichier et son contenu restent donc privés du début à la fin.