Comment copier du texte d'un fichier PDF sans perdre le formatage ?

Tout d'abord, vous devez comprendre ce qu'est un PDF. Les PDF sont conçus pour imiter une page imprimée, et ils sont conçus seulement comme un format de sortie, et non comme un format d'entrée. Un PDF est essentiellement une carte contenant l'emplacement exact des caractères (lettres individuelles ou ponctuation, etc.) ou des images. Dans la plupart des cas, un PDF ne stocke même pas d'informations sur l'endroit où un mot se termine et où un autre commence, et encore moins sur des éléments tels que les coupures douces ou les coupures dures pour les fins de paragraphe.

(Quelques PDF récents stockent des informations à ce sujet, mais c'est une nouvelle technologie, et vous auriez de la chance de trouver des PDF de ce type. Quoi qu'il en soit, c'est à votre logiciel de mettre en œuvre une sorte d’“intelligence artificielle” pour extraire simplement à partir des emplacements des caractères individuels ce qu'est un mot, ce qu'est un paragraphe, et ainsi de suite. Différents logiciels le feront mieux que d'autres, et cela dépendra aussi de la façon dont le PDF a été créé. Dans tous les cas, vous ne devez jamais vous attendre à des résultats parfaits. Avoir le PDF de sortie n'est pas la même chose que d'avoir le document source. Il vaut bien mieux essayer de l'obtenir si vous le pouvez.

La solution standard à votre type de problème est d'utiliser Adobe Acrobat Professional (le plus cher, pas le lecteur gratuit) pour convertir le PDF en HTML. Il existe des logiciels gratuits qui peuvent être utilisés pour extraire le texte des PDF avec une partie du formatage intacte, mais là encore, n'espérez pas des résultats parfaits. Voir, par exemple, calibre (qui peut convertir au format RTF), pdftohtml/pdfreflow ou le traitement de texte AbiWord (avec tous les plugins d'importation/exportation activés). Il existe également un plugin d'importation de PDF pour OpenOffice.

Mais n'attendez pas la perfection avec ces résultats. Vous allez à contre-courant. Le PDF n'est pas un format d'entrée modifiable.

Une autre option consiste à télécharger et à commencer à utiliser le visualiseur de pdf gratuit, Foxit (son bien). Vous pouvez ensuite “Enregistrer sous” et choisir .txt pour le convertir en fichier texte. Cela permettra de conserver tout le formatage. Je ne sais pas si vous pouvez faire la même chose avec Adobe car j'ai arrêté de l'utiliser il y a quelque temps lorsque j'ai converti à Foxit.

Ouvrez votre fichier PDF avec un navigateur (Google chrome et firefox sont testés) puis copiez votre texte.

Il existe un très bon outil en ligne appelé Sej-da. Il traite de la manipulation avancée des PDF. Il n'y a pas de logiciel à télécharger. Comme il s'agit d'un nouvel outil en ligne, il est actuellement encore en version bêta. Il vous permet d'extraire du texte d'un PDF, tout en fournissant une myriade d'autres fonctionnalités PDF http://www.sejda.com/

Une brève revue vidéo des fonctions du sejda a été réalisée le 14 novembre 2012 par la révision 3 ; elle peut être consultée ici : http://revision3.com/tzdaily/sejda-online-pdf

Vous pouvez utiliser Adobe Acrobat Pro pour cela.

Pour les tableaux : Avec Acrobat 9/10, il y avait une fonction de sélection des tableaux. Avec Acrobat X, vous pouvez simplement cliquer sur Enregistrer sous > Spreadsheet > Excel. Il permet même de concaténer des pages en une longue feuille de calcul. Une fonction géniale.

Pour le texte : Une fonction similaire existe pour l'exportation vers MS Word. Save As > Word > Word Doc.

Sources :

• http://blogs.adobe.com/acrolaw/2009/04/exporting-a-pdf-to-excel/
• Je viens de le faire et ça a marché comme sur des roulettes.

Foxit basculera entre l'affichage du fichier original en PDF normal ou en texte en appuyant sur Ctrl + 6 (Avec un peu de manipulation sur le niveau de zoom du mode texte, il n'y a pas beaucoup de saut de position entre la lecture et la copie)

J'ai trouvé cela très utile ( Remove Line Breaks ) :

Voici une astuce utile pour résoudre rapidement ce problème sans avoir à supprimer manuellement tous les sauts de ligne. En gros, il suffit de remplacer automatiquement tous les sauts de ligne indésirables par un seul espace, ce qui fait que tout le texte est regroupé dans un seul paragraphe :

1- copiez le texte que vous voulez à partir du PDF.

2- collez dans un nouveau document Word.

3- cliquez sur “edit” puis “replace”

4- assurez-vous que vous êtes dans le champ “find what”

5- cliquez sur “more” puis “special”

6- sélectionnez “paragraph mark” (en haut de la liste)

7- cliquez dans le champ “replace with”

8- appuyez une fois sur la barre d'espacement

9- cliquez sur “replace all”

10- cliquez sur “ok” puis fermez la boîte “find & replace”.

J'essayais de sauvegarder le texte et le format d'un pdf qui était organisé dans un tableau. Dans Acrobat Professional, je me suis rendu compte qu'il existe une option “Enregistrer sous” qui permet d'enregistrer sous forme de document Excel. Cela a bien fonctionné pour mes besoins. J'ai également remarqué qu'il y a une option “Enregistrer sous” pour les documents Word. Mais je n'ai pas essayé.

Vous pouvez copier depuis adobe reader vers MS Excel et formater (tableau) comme vous le souhaitez, puis copier et coller depuis Excel. Cette solution fonctionne très bien. Vous n'avez pas besoin d'acheter une copie professionnelle coûteuse d'adobe.