1. Vérifier le type de PDF
Ouvrez le document, sélectionnez quelques mots et essayez de les copier. Si le texte est sélectionnable, le PDF contient probablement une couche de texte exploitable. Si rien ne peut être sélectionné, les pages sont probablement des images : une étape d’OCR sera nécessaire.
Ce test doit être effectué sur plusieurs pages, car un même document peut mélanger des pages contenant du texte et des pages numérisées.
2. Extraire une page avec pdftotext
L’outil pdftotext, inclus dans Poppler, permet de convertir un PDF en texte brut. Les options -f et -l indiquent respectivement la première et la dernière page à traiter.
Extraire la page 3
pdftotext -f 3 -l 3 document.pdf page-3.txt
Le texte de la troisième page est enregistré dans page-3.txt.
Extraire une plage de pages
pdftotext -f 3 -l 7 document.pdf pages-3-a-7.txt
Cette commande traite uniquement les pages 3 à 7 et regroupe le résultat dans un seul fichier.
Préserver davantage la mise en page
pdftotext -layout document.pdf document.txt
L’option -layout tente de conserver les positions relatives du texte. Elle peut être utile pour les documents structurés en colonnes, mais le résultat dépend de la manière dont le PDF a été créé.
3. Créer un fichier texte pour chaque page
Sous macOS ou Linux, vous pouvez utiliser pdfinfo pour connaître le nombre de pages, puis lancer une boucle :
pages=$(pdfinfo document.pdf | awk '/^Pages:/ {print $2}')
for page in $(seq 1 "$pages"); do
pdftotext -f "$page" -l "$page" document.pdf "page-$page.txt"
done
Vous obtiendrez des fichiers distincts nommés page-1.txt, page-2.txt, page-3.txt, etc.
4. Automatiser l’extraction avec Python et PyMuPDF
PyMuPDF permet d’ouvrir un PDF, de parcourir ses pages et d’enregistrer le texte de chaque page dans un fichier séparé.
Installer PyMuPDF
pip install PyMuPDF
Extraire toutes les pages dans des fichiers séparés
import pymupdf
document = pymupdf.open("document.pdf")
for index, page in enumerate(document):
texte = page.get_text("text")
numero_page = index + 1
with open(f"page-{numero_page}.txt", "w", encoding="utf-8") as fichier:
fichier.write(texte)
document.close()
Dans ce script, l’index Python commence à zéro, tandis que la numérotation utilisée dans les noms de fichiers commence à un.
Extraire une page précise
import pymupdf
document = pymupdf.open("document.pdf")
page = document[2] # troisième page
texte = page.get_text("text")
print(texte)
document.close()
document[2] correspond à la troisième page, car PyMuPDF utilise un index commençant à zéro.
Améliorer l’ordre de lecture
texte = page.get_text("text", sort=True)
L’option sort=True tente de classer le contenu de haut en bas et de gauche à droite. Elle peut améliorer le résultat, sans garantir une restitution parfaite pour les colonnes, les encadrés ou les mises en page complexes.
5. Extraire le texte d’un PDF numérisé avec un OCR
Un PDF numérisé est généralement composé d’images. Dans ce cas, pdftotext ou PyMuPDF peuvent ne renvoyer aucun texte. Il faut d’abord créer une couche de texte à l’aide d’un outil de reconnaissance optique de caractères.
Utiliser OCRmyPDF
ocrmypdf document-scane.pdf document-ocr.pdf
Pour un document en français, indiquez la langue si le modèle français est installé :
ocrmypdf -l fra document-scane.pdf document-ocr.pdf
Vous pouvez ensuite extraire le texte du PDF traité :
pdftotext -layout document-ocr.pdf document.txt
Pour obtenir un fichier par page, reprenez la boucle pdftotext ou le script PyMuPDF présenté plus haut.
Traiter une seule page avec Tesseract
Pour cibler la page 3, convertissez-la d’abord en image avec pdftoppm, puis lancez Tesseract :
pdftoppm -f 3 -l 3 -png -r 300 document.pdf page
tesseract page-3.png page-3 -l fra
Le texte reconnu est enregistré dans page-3.txt. La qualité dépend notamment de la résolution, de la lisibilité, de la langue sélectionnée et de la mise en page.
6. Contrôler le résultat
Avant d’utiliser ou de publier le texte extrait, vérifiez les points suivants :
- le nombre de fichiers correspond au nombre de pages traitées ;
- les accents et caractères spéciaux sont correctement encodés ;
- les colonnes sont dans le bon ordre ;
- les en-têtes, pieds de page et numéros de page sont correctement gérés ;
- les tableaux restent exploitables ;
- les pages numérisées ont bien été soumises à un OCR ;
- le texte a été relu avant toute automatisation.
Quelle méthode choisir ?
- PDF avec texte sélectionnable : utilisez
pdftotextou PyMuPDF. - Un fichier texte par page : utilisez une boucle avec
pdftotextou un script Python. - PDF numérisé : appliquez OCRmyPDF ou Tesseract avant l’extraction.
- Mise en page complexe : testez
-layout,sort=Trueou l’extraction par blocs, puis contrôlez manuellement le résultat.