Extraire du texte d’un PDF en ligne

Extrayez la couche de texte d’un PDF ou reconnaissez le texte des pages numérisées par OCR, puis enregistrez-le en texte brut.

Langue OCR :

Pour un PDF numérisé, choisissez la langue du document avant de l’envoyer. Si vous la modifiez ensuite, le fichier actuel est relu.

Choisissez un fichier PDF ou faites-le glisser ici

Extrait le texte et prend en charge l’OCR des PDF image numérisés

🔤

Décodage des polices par CMap

Utilise les tables de caractères (CMap) de PDF.js pour décoder de nombreuses polices d’Asie de l’Est et à encodage personnalisé. Les PDF aux données de police incomplètes peuvent encore produire des caractères erronés.

👁️

OCR pour les pages numérisées

Les pages presque sans texte extractible sont lues par l’OCR de Tesseract.js. La précision dépend de la qualité de numérisation, de la langue et de la mise en page.

🔒

Traitement dans le navigateur

Les documents sont analysés localement dans la mémoire du navigateur.

Mode d'emploi

L’outil lit d’abord la couche de texte enregistrée dans le PDF. Lorsqu’une page ne contient presque pas de texte, comme dans un document numérisé, elle est rendue en image puis reconnue par OCR dans votre navigateur. Le moteur OCR et ses données linguistiques sont téléchargés depuis leedybox.com lors de la première utilisation de l’OCR ; votre PDF lui-même n’est pas envoyé.

Choisissez la langue de l’OCR avant d’ajouter le fichier, afin que les pages numérisées soient lues avec le bon alphabet. Elle est préréglée sur la langue de cette page.
Cliquez sur la zone de dépôt ou faites-y glisser un fichier PDF. L’extraction démarre aussitôt et traite les pages une à une.
Les pages qui ont une couche de texte sont lues directement. Une page presque sans texte, comme un scan, est dessinée comme une image puis reconnue par OCR, ce qui prend plus de temps ; la barre de progression indique la page en cours de lecture.
Vérifiez le résultat dans la zone de texte. Chaque page commence par une ligne comme --- Page 1 ---.
Cliquez sur « Copier le texte » ou « Enregistrer en .TXT » pour garder le résultat, ou sur « Changer de fichier » pour lire un autre PDF.

Questions fréquentes

Pourquoi le texte extrait est-il parfois illisible ?

Certains PDF stockent les caractères avec des encodages de police personnalisés. LeedyBox charge des tables CMap pour en décoder un grand nombre, mais les polices sans correspondance Unicode correcte peuvent encore produire des caractères erronés. Comparez le résultat avec le document d’origine.

Cela fonctionne-t-il avec des documents numérisés ?

Oui. Lorsqu’une page n’a presque pas de couche de texte, le moteur OCR intégré Tesseract.js reconnaît les caractères de l’image de la page. L’écriture manuscrite, les numérisations en basse résolution, les polices inhabituelles et les langues non couvertes par le réglage de langue OCR réduisent la précision.

La mise en page des tableaux et des colonnes est-elle conservée ?

Pas exactement. Le résultat est du texte brut : tableaux, colonnes et zones de texte sont mis à plat en lignes, et l’ordre de lecture peut différer de ce que vous voyez sur la page.

Mon PDF est-il envoyé en ligne ?

Non. Le texte est lu dans votre navigateur. Quand une page a besoin de l’OCR, le moteur d’OCR et ses données de langue sont téléchargés depuis leedybox.com, mais votre PDF n’est envoyé nulle part.

Quelle langue d’OCR choisir pour un document en deux langues ?

Choisissez l’option qui contient la langue principale du document ; toutes les options sauf « Anglais uniquement » reconnaissent aussi l’anglais. Le texte dans une langue non sélectionnée est souvent lu avec de mauvais caractères.

Pourquoi l’OCR est-il lent ?

Une fois le moteur d’OCR et les données de langue téléchargés, chaque page numérisée est reconnue l’une après l’autre dans votre navigateur. Sur un appareil lent, une page peut prendre plusieurs secondes ou plus : un long document numérisé demande donc de la patience.