Module Extraction de texte

Le module Extraction de texte récupère le contenu textuel d'un PDF — totalité du document, page courante ou intervalle personnalisé — pour l'afficher dans un aperçu modifiable et l'exporter dans un format textuel. Il propose aussi une option de reconnaissance optique de caractères (OCR) pour les documents numérisés. Le module est accessible depuis la catégorie Conversion du Tableau de bord.

Portée de l'extraction

La section Options propose trois portées via un sélecteur segmenté :

Page courante : extrait uniquement le contenu de la page actuellement affichée ;
Tout le document (par défaut) : parcourt toutes les pages dans l'ordre ;
Intervalle personnalisé : ouvre un champ texte permettant de saisir des numéros et des plages (1, 3-5, 8). Les pages hors limites sont ignorées. Si aucune page valide n'est sélectionnée, l'aperçu affiche « Aucune page valide sélectionnée ».

Format de sortie

Le second sélecteur définit le format dans lequel le texte est mis en forme :

Texte brut (.txt) : aucune mise en forme — la sortie est purement textuelle, idéale pour de la copie rapide ou un traitement automatique ;
Markdown (.md) : conserve la structure de paragraphes et marque le gras et l'italique (**, *) lorsque la police du PDF les porte. Pas de titres # : un PDF ne connaît pas la notion de titre, seulement des tailles de police. Pratique pour réimporter le contenu dans un éditeur de notes (Obsidian, Bear, Notion…) ;
EPUB (.epub) : produit un fichier de livre numérique, lisible dans Apple Books, Calibre, Kobo, etc. Le titre du livre est extrait des métadonnées du PDF ;
HTML (.html) : produit une page web simple avec balises HTML standard, conservant un minimum de mise en forme (paragraphes, sauts de ligne, gras et italique).

Une réserve, pour les deux : le gras et l'italique ne sont reconnus que si la police revient nommée du PDF — Helvetica, Arial, Times et leurs variantes passent ; un texte composé dans la police système d'Apple (San Francisco) est relu sans ses traits et sort en texte simple.

Le choix du format influence également l'extension proposée lors de l'enregistrement.

Utiliser l'OCR

Le commutateur Utiliser l'OCR (Reconnaissance de texte) active une reconnaissance optique des pages qui ne contiennent pas de couche texte vectorielle :

Désactivé (par défaut) : seule la couche texte du PDF est lue. Pour un document généré numériquement, le résultat est rapide et fidèle ;
Activé : sur les pages dépourvues de texte (numérisations, images, captures d'écran), HtkPDF effectue une reconnaissance via le moteur de Vision d'Apple. Le résultat peut prendre quelques secondes par page selon la résolution. HtkPDF tente d'abord la reconnaissance précise ; si le moteur refuse ou ne répond pas dans les trente secondes, le mode rapide prend le relais pour le reste de la session — le texte arrive, un peu moins soigné, plutôt qu'un aperçu vide.

L'OCR n'est utile que sur des PDF scannés ou contenant des images textuelles. Sur des PDF natifs, il ralentit inutilement le traitement. La reconnaissance lit la page telle qu'elle s'affiche : un scan couché (texte de côté) ou une écriture manuscrite ne donnent presque rien — redressez d'abord les pages avec le module Rotation, puis enregistrez.

Lancer l'extraction

Cliquez sur Extraire le texte. Pendant le traitement, le bouton affiche « Extraction… » et reste désactivé. Une fois terminé, le résultat apparaît dans la section Aperçu.

L'aperçu est une zone de texte modifiable : vous pouvez corriger des erreurs d'extraction (caractères mal reconnus, séparations imprécises), supprimer des passages ou ajouter votre propre contenu avant l'export. Un bouton Effacer est disponible pour vider la zone.

Si l'aperçu reste vide après l'extraction, c'est généralement le signe que la page (ou les pages) ne contient pas de texte exploitable — activez l'OCR pour traiter une numérisation.

Copier ou enregistrer

Une fois le texte extrait et éventuellement édité, deux actions sont disponibles dans la barre de pied :

Copier

Place l'intégralité du texte dans le presse-papiers macOS. Vous pouvez ensuite le coller (⌘V) dans n'importe quelle application : éditeur de texte, navigateur, e-mail, etc.

Enregistrer

Ouvre un panneau de sauvegarde macOS. L'extension proposée par défaut dépend du format choisi :

Texte brut : .txt ;
Markdown : .md ;
EPUB : .epub ;
HTML : .html.

Une boîte de dialogue « Opération d'export » rappelle au préalable que l'action exporte un fichier sans modifier le PDF d'origine. Confirmez avec J'ai compris pour finaliser l'enregistrement.

Pour le format EPUB, HtkPDF écrit lui-même le livre, conforme au conteneur OCF (le fichier mimetype en tête d'archive, non compressé) : un seul chapitre, « Contenu extrait », avec un paragraphe par ligne du texte. Le titre du document PDF (champ Titre des métadonnées) est repris comme titre du livre — « Document extrait » s'il est vide — et la langue déclarée est celle de l'application.

Cas d'usage typiques

Citation rapide : extraire un passage précis pour le coller dans un courriel ou un document de travail ;
Réimportation dans un éditeur : récupérer le contenu d'un PDF pour le retravailler dans Word, Pages ou un éditeur Markdown ;
Conversion en livre numérique : générer un EPUB à partir d'un livre PDF pour une lecture confortable sur Kindle, Apple Books ou Kobo ;
Traduction : extraire le texte pour le passer dans un service de traduction, puis le réintégrer ;
Numérisation (avec OCR) : récupérer le texte d'un document papier scanné, par exemple un ancien contrat ou un livre.

Bonnes pratiques

Vérifiez toujours l'aperçu avant d'enregistrer : la qualité de l'extraction dépend du PDF source. Les documents en colonnes, avec en-têtes ou pieds de page, peuvent donner un résultat avec mélanges d'ordre ;
OCR uniquement si nécessaire : sur un PDF natif, l'OCR n'apporte rien mais ralentit beaucoup le traitement. Réservez-le aux numérisations ;
Pour des tableaux, le format Texte brut ou Markdown ne préserve pas la structure tabulaire. Utilisez plutôt le module Extraire Tableau dédié, qui produit un fichier CSV utilisable dans un tableur.

Captures d'écran

1 capture — cliquez pour agrandir