Convertir PDF en Word

Pour modifier un PDF, on repart généralement du document qui l’a produit ; quand ce document a disparu, il ne reste que le PDF. Ce convertisseur reconstruit un PDF sous forme de fichier .docx dans lequel chaque ligne de texte est du vrai texte Word, modifiable, placé à sa position d’origine, par-dessus une image de tout ce qui n’était pas du texte. Il traite directement les PDF nativement numériques et bascule sur la reconnaissance optique de caractères (OCR) pour les documents scannés, le tout dans votre navigateur.

Comment ça marche

Choisissez un PDF et cliquez sur Convertir en Word. Pour chaque page, l’outil, qui s’appuie sur pdf.js :

1. Extrait chaque élément de texte avec sa position, sa taille et le nom de sa police, puis parcourt les opérateurs de dessin de la page pour retrouver la couleur de remplissage active au moment où chaque élément a été peint. Le gras et l’italique sont déduits du nom de la police (une suite de glyphes en Helvetica-BoldOblique devient du gras italique), et la police PDF est associée à une police Word équivalente.
2. Regroupe les éléments en lignes et effectue le rendu de la page sur un canvas en résolution 2×.
3. Efface chaque ligne de texte de ce canvas en remplissant sa zone avec la couleur de fond environnante, ce qui laisse intacts les logos, les filets, les bordures de tableau, les photos et les aplats de couleur. S’il ne reste qu’une couleur unie, aucune image n’est enregistrée.
4. Construit la page avec la bibliothèque docx : une page de même format, sans marges, le canvas ainsi évidé ancré en PNG derrière le texte, et un cadre de texte en position absolue par ligne, qui reprend la taille, la graisse, le style et la couleur d’origine. Comme Word substitue les polices, les caractères de chaque ligne sont légèrement étirés ou resserrés pour qu’elle occupe la même largeur que dans le PDF.

Le résultat se télécharge sous le nom de votre fichier avec l’extension .docx, accompagné du nombre de lignes reconstruites.

PDF scannés et PDF composés uniquement d’images

Quand une page ne contient aucun texte intégré, l’outil passe à l’OCR avec tesseract.js, la version WebAssembly du moteur Tesseract. À la première utilisation, il télécharge le moteur et les données de la langue anglaise, environ 15 Mo, depuis un réseau de diffusion de contenu (CDN) et les met en cache ; votre document ne fait pas partie de ce téléchargement et ne quitte jamais votre appareil. Les mots reconnus sont placés aux positions indiquées par Tesseract, avec le gras et l’italique issus de son analyse de mise en page, et le même évidement et la même image d’arrière-plan sont appliqués.

La progression s’affiche page par page, car l’OCR est lente. La précision dépend du scan : des pages à 300 DPI, droites et bien contrastées sont bien reconnues ; les photos prises au téléphone, les fax, les scans de travers ou en basse résolution produisent des erreurs qu’il faudra corriger à la relecture. Seul l’anglais est reconnu : un texte dans une autre langue ressortira illisible.

Modifier le résultat

Le document restitue fidèlement la mise en page, mais le texte n’y circule pas librement d’une ligne à l’autre. Chaque ligne occupe son propre cadre : taper davantage de texte dans une ligne agrandit ce cadre au lieu de repousser les lignes suivantes, et supprimer un paragraphe laisse un vide. C’est idéal pour corriger un montant, une date ou un nom sur un relevé, une facture ou un certificat, beaucoup moins pour réécrire un texte suivi. Pour une prose que vous comptez restructurer, extrayez plutôt le texte (voir ci-dessous) et collez-le dans un nouveau document.

Les tableaux gardent leur apparence, puisque les bordures font partie de l’image d’arrière-plan et que le texte des cellules est posé par-dessus, mais ce ne sont pas des tableaux Word. Les liens hypertexte, les signets et les champs de formulaire ne sont pas repris. Le texte pivoté ou vertical est placé à son point d’ancrage, mais n’est pas pivoté.

Équivalent en ligne de commande

Pour obtenir du texte brut qui conserve la structure des lignes d’origine, pdftotext de poppler est rapide et fiable, et l’OCR d’un scan peut se faire directement avec Tesseract :

pdftotext -layout statement.pdf statement.txt
tesseract scan-page1.png output --dpi 300 pdf     # searchable PDF from an image

Pour aller plus loin

L’extraction et l’OCR en série sur tout un dossier de fichiers relèvent du shell : les bases du shell présente les boucles nécessaires, et le traitement de texte avec grep, sed et awk montre comment extraire des champs structurés du texte obtenu. Reconvertissez le document modifié avec Word vers PDF, ou convertissez les pages en images avec PDF vers image si une copie visuelle vous suffit.