Comment extraire le texte d’un PDF page par page ?

Pour extraire le texte d’un PDF page par page, commencez par vérifier s’il contient du texte sélectionnable. Utilisez ensuite pdftotext pour une extraction simple en ligne de commande, ou PyMuPDF pour automatiser le traitement avec Python. Si le PDF est numérisé, appliquez d’abord un OCR avec OCRmyPDF ou Tesseract.
✓ Vérifié le 6 octobre 2026 · 4 min de lecture

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 pdftotext ou PyMuPDF.
  • Un fichier texte par page : utilisez une boucle avec pdftotext ou un script Python.
  • PDF numérisé : appliquez OCRmyPDF ou Tesseract avant l’extraction.
  • Mise en page complexe : testez -layout, sort=True ou l’extraction par blocs, puis contrôlez manuellement le résultat.

À retenir

  • Testez d’abord si le texte du PDF est sélectionnable.
  • Utilisez pdftotext -f N -l N pour extraire une page précise.
  • Utilisez une boucle shell ou PyMuPDF pour créer un fichier par page.
  • Appliquez un OCR avec OCRmyPDF ou Tesseract si le PDF est numérisé.
  • Relisez le résultat, en particulier pour les colonnes, tableaux et caractères accentués.

Questions fréquentes

Comment extraire uniquement une page d’un PDF ?
Avec pdftotext, indiquez le même numéro avec -f et -l. Par exemple : pdftotext -f 3 -l 3 document.pdf page-3.txt.
Pourquoi aucun texte n’est-il extrait de mon PDF ?
Le PDF est probablement composé d’images numérisées et ne contient pas de couche de texte. Appliquez un OCR avec OCRmyPDF ou Tesseract, puis relancez l’extraction.
Comment créer automatiquement un fichier texte par page ?
Sous macOS ou Linux, utilisez une boucle avec pdfinfo et pdftotext. En Python, parcourez les pages avec PyMuPDF et enregistrez chaque résultat dans un fichier distinct.
PyMuPDF conserve-t-il l’ordre visuel du texte ?
Il extrait le contenu textuel, mais l’ordre peut être imparfait dans les colonnes ou les mises en page complexes. L’option sort=True peut améliorer le classement, sans garantir un résultat parfait.
Quelle résolution choisir pour l’OCR d’une page PDF ?
Une résolution de 300 DPI est un point de départ courant pour convertir une page en image avec pdftoppm. La qualité finale dépend aussi de la netteté, de la langue et de la mise en page du document.