Pourquoi le texte extrait d'un PDF paraît en désordre
Vous avez extrait le texte d’un PDF et le résultat ressemble à un puzzle ? Un PDF est conçu pour être affiché ou imprimé, pas pour être relu comme un texte continu. Voici les causes les plus courantes, et la manière dont PDF to Text les traite.
Colonnes et ordre de lecture
Le texte suit l’ordre interne du PDF, celui que le logiciel de création a choisi. Les pages nettement disposées en deux colonnes sont lues colonne par colonne. Une mise en page de magazine, avec encadrés, légendes et titres qui traversent la page, peut toutefois produire un ordre surprenant : le texte est bien là, simplement dans l’ordre où le PDF le range.
Tableaux
Chaque ligne d’un tableau devient une ligne de texte, avec les cellules séparées par des espaces. Les colonnes ne sont pas conservées et rien n’est exporté vers un tableur. Sur un relevé bancaire, la date, le libellé et le montant se suivent donc sur une même ligne.
En-têtes, pieds de page et coupures de mots
Les en-têtes et pieds de page font partie de la page : ils reviennent dans le texte à chaque page. Un mot coupé en fin de ligne garde son trait d’union, « docu- » puis « ment » sur la ligne suivante. Un rechercher-remplacer dans un éditeur suffit souvent à nettoyer tout cela.
Écritures de droite à gauche et autres systèmes
Les lignes en arabe ou dans une autre écriture de droite à gauche sortent dans l’ordre de lecture. Le hindi (devanagari), le chinois, le japonais, y compris vertical, et le texte pivoté sont également pris en charge.
Les trous : une police sans correspondance Unicode
Certains PDF dessinent les lettres avec une police qui n’indique pas à quels caractères Unicode elles correspondent (table « ToUnicode » absente ou erronée). Plutôt que d’afficher des signes incompréhensibles, PDF to Text laisse ce texte de côté et affiche la note Une partie du texte n’a pas pu être lue. Sur ce type de fichier, un copier-coller depuis d’autres applications donne en général du charabia, lui aussi.
Des pages qui semblent pleines de texte
Une page peut sembler couverte de mots sans en contenir un seul : texte converti en formes (fréquent sur les affiches, les logos ou les documents sortis d’un logiciel de dessin), image numérisée, ou page vide. Une note en haut liste ces pages, et chacune précise la raison.
Copie interdite
Si l’auteur a désactivé la copie, le message Ce PDF n’autorise pas la copie de son texte apparaît. L’outil respecte ce réglage et ne modifie pas le fichier.
Que faire ensuite
- Repérez la cause grâce aux notes affichées en haut et sous chaque Page N.
- Corrigez dans un éditeur ce qui peut l’être : traits d’union, en-têtes répétés, espaces des tableaux.
- Si une page n’est qu’une image, consultez le guide consacré aux PDF numérisés.