Convertir un PDF en texte

D'où viennent les mots, et dans quel ordre ils arrivent

Les caractères d'un PDF ne sont pas stockés sous forme de texte. Ce sont des numéros de glyphes qui pointent vers une police incorporée, et les retransformer en lettres dépend d'une table, dans le fichier, qui indique quel caractère représente chaque glyphe. La plupart des logiciels l'incluent. Quand ce n'est pas le cas — les sous-ensembles de polices réduits produits par certains logiciels de PAO sont les coupables habituels —, la page s'affiche parfaitement à l'écran mais s'extrait en charabia, parce que l'information nécessaire pour la lire n'a jamais été écrite. Aucun extracteur ne peut y remédier : ce sont des données manquantes, pas un problème difficile.

L'ordre de lecture est ce qu'il faut vérifier avant de se fier au résultat. Le texte sort dans l'ordre où la page le dessine, c'est-à-dire l'ordre dans lequel le logiciel qui a créé le PDF l'a émis — et ce n'est souvent pas l'ordre dans lequel une personne lit. Une page à deux colonnes s'extrait souvent en colonne gauche puis colonne droite, correctement séparées, ou en lignes entremêlées entre les deux, selon la seule façon dont elle a été générée. En-têtes, pieds de page, numéros de page et encadrés atterrissent là où ils ont été dessinés, généralement au milieu du texte courant.

Quelques petits artefacts valent la peine d'être reconnus plutôt que de laisser perplexe. Les ligatures arrivent sous la forme du caractère unique que la police a réellement utilisé : « fin » peut donc arriver avec un seul glyphe au lieu d'un f suivi d'un i, et une recherche naïve de « fin » ne le trouve pas. Les mots coupés par un trait d'union en fin de ligne restent coupés, parce que la coupure existe réellement dans le fichier. Et les guillemets droits sont souvent des guillemets courbes, ce qui compte si le texte doit finir dans du code ou un CSV.

Une page scannée ne donne rien du tout, et l'outil le dit plutôt que de renvoyer un fichier vide — une photo de document ne contient aucun caractère, seulement des pixels. Il en va de même pour un texte vectorisé, ce que les graphistes font délibérément pour qu'un fichier s'imprime à l'identique partout : c'est alors véritablement une illustration. Dans les deux cas, il faut de l'OCR plutôt qu'une extraction.

Si vous cherchez autre chose

Quand les colonnes comptent, pdftotext -layout in.pdf out.txt de Poppler fait mieux que tout ce qu'un navigateur peut faire : il reconstruit l'espacement visuel avec de vrais blancs, si bien que les colonnes restent des colonnes et qu'un tableau reste un tableau lisible. pdftotext -raw fait l'inverse et livre l'ordre de dessin tel quel, ce qui est parfois exactement ce qu'un script attend.

Pour extraire le texte de centaines de fichiers, mutool draw -F txt et la bibliothèque Python pdfplumber sont les bonnes bases — pdfplumber en particulier vous donne chaque caractère avec ses coordonnées, sa police et sa taille, pour filtrer l'en-tête et le pied de page selon leur position plutôt qu'au jugé. C'est le travail que cette page ne peut pas faire, et c'est celui qui compte à grande échelle.