Documents

PDF en Word : relire le texte, l’OCR et la structure

·

PDF en Word lit les pages choisies dans le navigateur, vous laisse corriger le contenu obtenu et crée un fichier DOCX modifiable. Commencez par une courte sélection représentative. Utilisez le texte existant, l’OCR pour les documents imprimés numérisés ou la reconstruction facultative de la structure, puis comparez la relecture à l’original avant de télécharger.

Un PDF décrit des pages aux positions fixes. Un document Word modifiable contient des paragraphes, des tableaux et d’autres éléments qui peuvent se redistribuer. La conversion reconstruit le contenu sans garantir des lignes, des polices ou des sauts de page identiques. Conservez le PDF source et vérifiez le document Word dans le logiciel où vous l’utiliserez.

PDF en Word

Commencez par une page révélatrice

Choisissez un PDF ou déposez-le dans l’espace de travail. Les réglages initiaux sont la lecture automatique, l’OCR anglais et les paragraphes simples modifiables. Saisissez une courte sélection dans « Pages », ajoutez le mot de passe connu si nécessaire et cliquez sur « Lire le texte du PDF ». Le choix du fichier ne crée pas à lui seul un téléchargement Word.

Choisissez un échantillon contenant les éléments utiles : texte courant, scan, tableau ou deux colonnes. Si tableaux, titres, listes ou figures sont importants, activez « Reconstruire la structure du document » avant la lecture. Cela change la relecture et le type de sortie initial. Vérifiez ce premier résultat avant de traiter une sélection plus grande.

  • Conservez le PDF original comme référence visuelle.
  • Choisissez explicitement la langue imprimée pour l’OCR ; la langue de l’interface ne sélectionne pas le modèle.
  • Vérifiez noms, nombres, lignes manquantes et ordre de lecture avant d’exporter.

Support Microsoft : ouvrir des PDF dans Word et limites de conversion

Choisissez la méthode de lecture des pages

« Automatique » utilise le texte existant dès que l’extraction reste non vide après suppression des espaces aux extrémités. Seules les pages sans ce texte passent par l’OCR. Ce mode ne vérifie pas si la couche de texte est complète ou correcte. Sur une page comportant un titre au-dessus d’une facture numérisée, il peut donc extraire uniquement le titre et omettre les mots dans l’image.

Choisissez « OCR · chaque page sélectionnée » lorsque les mots importants sont dans des images ou que la couche de texte est inutilisable. Les pages choisies sont rendues en images et leur texte imprimé est reconnu, y compris le texte visible déjà présent. De nouvelles erreurs restent possibles. Comparez à nouveau le résultat : l’OCR n’améliore pas automatiquement tous les documents.

Choisissez la méthode de lecture des pages
MéthodePoint de départ adaptéLimite principale
AutomatiquePages de texte courant et pages numérisées distinctes dans un documentUne couche de texte partiellement exploitable peut empêcher l’OCR d’une page mixte
Texte PDF existant uniquementRelire du texte sélectionnable sans OCRLe texte des images et les valeurs des champs de formulaire peuvent manquer
OCR · chaque page sélectionnéeScans imprimés, pages mixtes ou couche de texte inutilisableAu maximum 10 pages OCR ; vérifiez la reconnaissance

Formation Adobe Acrobat : numérisation de documents et OCRDocumentation Tesseract : améliorer la qualité de reconnaissanceTesseract.js : reconnaissance d’images et limites de prise en charge PDF

Indiquez les plages et vérifiez leur ordre

Un champ « Pages » vide sélectionne tout le document source. Avec 1-3, 5, les trois premières pages sont lues, puis la cinquième. Chaque plage doit être croissante, mais les entrées séparées conservent l’ordre saisi. Ainsi, 3,1,3 produit trois entrées de relecture : page trois, page un, puis page trois à nouveau. Les répétitions comptent de nouveau dans les limites de sélection et d’OCR.

Le document source peut contenir au maximum 300 pages et une opération sélectionne au maximum 50 pages. Choisir une seule page d’un document de 301 pages ne contourne pas la limite du document source. Divisez d’abord celui-ci en PDF adaptés. Pour des scans multilingues, lisez des plages distinctes avec le modèle approprié ; ne supposez pas une détection automatique de la langue de toute la sélection.

API PDF.js : charger des documents, lire du texte et rendre les pages

Choisissez la langue imprimée et préparez des scans lisibles

L’OCR propose l’anglais, le français, l’allemand, l’italien, le portugais, l’espagnol, le chinois simplifié, le hindi, l’arabe et le bengali. Le modèle choisi s’applique à toutes les pages OCR de la lecture. Les interfaces indonésienne et ourdoue n’ajoutent pas de modèles de reconnaissance correspondants. L’écriture manuscrite et les langues hors de cette liste ne sont pas prises en charge. L’OCR ne traduit pas le texte.

Des pages nettes, bien orientées et lisiblement imprimées constituent une meilleure base que des scans flous, inclinés ou peu définis. Les pages OCR sont rendues à 200 pixels par pouce de PDF ; aucun réglage de résolution ni outil d’amélioration du scan n’est proposé. L’OCR de structure utilise des cadres de mots non tournés et désactive le redressement automatique. Corrigez l’orientation avant l’importation si nécessaire. Même avec une confiance élevée, des lignes peuvent manquer ou des identifiants être erronés.

Documentation Tesseract : améliorer la qualité de reconnaissanceTesseract.js : reconnaissance d’images et limites de prise en charge PDF

Comparez et corrigez chaque page originale

La relecture affiche la page originale à côté du texte modifiable et permet de choisir une page. Vérifiez noms propres, dates, séparateurs décimaux, numéros de compte, ponctuation et lignes complètes. Gardez les identifiants tels que 9007199254740993 sous forme de texte : le convertisseur n’exige ni arrondi ni traitement comme nombre de tableur.

En mode texte simple, vous modifiez directement le texte. Les retours à la ligne deviennent des paragraphes Word. Vous pouvez également remplir une relecture vide si la lecture sans OCR n’a trouvé aucun texte existant. Une relecture textuelle entièrement vide ne permet toutefois pas de créer Word. Si le contenu imprimé d’un scan manque, relisez avec l’OCR et vérifiez la nouvelle extraction. Une nouvelle lecture remplace la relecture précédente ; téléchargez d’abord les corrections à conserver.

Support Microsoft : ouvrir des PDF dans Word et limites de conversionDocumentation Tesseract : améliorer la qualité de reconnaissance

Reconstruisez des blocs pour une mise en page modifiable

Le mode structure tente de reconstruire paragraphes, titres, listes prises en charge, tableaux, zones à une ou deux colonnes et figures. Des balises PDF exploitables peuvent aider ; les autres éléments sont regroupés selon leur position et leur apparence. Ni les balises ni les hypothèses géométriques ne garantissent un ordre de lecture correct. Comparez les blocs à l’original, puis déplacez-les, modifiez-les ou supprimez-les au besoin.

Les cellules restent modifiables, y compris dans les tableaux ajoutés manuellement. Vérifiez la correspondance des colonnes, les en-têtes fusionnés et l’ordre de lecture des cellules. Les listes de différentes pages source reçoivent des définitions de numérotation Word distinctes ; contrôlez donc les continuations et les redémarrages. Un document peut sembler cohérent tout en plaçant le texte de la colonne droite avant celui de la gauche.

Reconstruisez des blocs pour une mise en page modifiable
Zone de relectureCorrection utileÀ vérifier après exportation
Titres et listesChoisir niveaux, styles et numérotation ; ordonner les blocsHiérarchie des titres et continuité des listes
TableauxCorriger cellules, lignes, colonnes et interprétation des fusionsChaque valeur se trouve sous le bon en-tête
Colonnes et figuresVérifier l’ordre des zones, ajouter ou retirer des recadragesOrdre de lecture, graphiques absents et texte répété

Support Microsoft : ouvrir des PDF dans Word et limites de conversionAPI PDF.js : charger des documents, lire du texte et rendre les pages

Contrôlez les polices, les couleurs et les recadrages

Le mode structure peut conserver les noms de familles de polices associés, les tailles et les couleurs de texte unies prises en charge, avec des options de correction. Les polices originales ne sont pas incorporées. Le navigateur ou le traitement de texte peut remplacer une famille indisponible. Transparences, motifs, contours et zones de découpe ne reproduisent pas exactement le rendu PDF. Consultez les avertissements et comparez l’aperçu.

Les figures sont des recadrages rendus, pas les fichiers d’image originaux incorporés. La structure native utilise un rendu de page à 150 PPI et peut omettre les images pleine page ou superposées au texte pour éviter les doublons. Dessins vectoriels, masques et images répétées ou groupées peuvent nécessiter un recadrage manuel. Celui-ci peut contenir des pixels de texte déjà présents dans des blocs modifiables. Vérifiez les deux pour éviter les répétitions. L’OCR de structure ne transforme pas automatiquement chaque image en figure séparée.

Support Microsoft : ouvrir des PDF dans Word et limites de conversionAPI PDF.js : charger des documents, lire du texte et rendre les pages

Gardez en tête les modifications distinctes du texte et de la structure

Lorsqu’une relecture structurée existe, « Contenu Word » permet de choisir « Structure relue » ou « Paragraphes simples modifiables ». Chaque représentation conserve ses propres modifications. Corriger un tableau dans la structure ne réécrit pas le texte simple ; modifier ce texte ne met pas les blocs à jour. Choisissez la version voulue avant le téléchargement DOCX ou texte.

Changer les options de lecture, choisir un nouveau fichier ou relancer la lecture supprime la relecture. Modifier uniquement les réglages de sortie Word conserve le contenu relu et retire l’ancien résultat pour permettre une nouvelle génération. L’erreur d’exportation éventuellement affichée est également effacée. La prochaine exportation doit tout de même aboutir.

API PDF.js : charger des documents, lire du texte et rendre les pages

Choisissez le format de page et vérifiez le DOCX créé

La sortie en texte simple propose US Letter ou A4 et produit des paragraphes modifiables sans reproduire tableaux, images, liens, formulaires, polices ni mise en page d’origine. La sortie structurée utilise les blocs relus et propose aussi les dimensions des pages source. Activer la reconstruction sélectionne initialement la structure et les dimensions originales. Passer au texte simple remplace un format source sélectionné par Letter.

L’option de saut de page commence chaque page source sur une nouvelle page Word, sans garantir une pagination identique à l’intérieur. Texte, marges, polices de substitution et traitement de texte influencent le flux. Cliquez sur « Créer un document Word → », attendez le résultat et téléchargez le DOCX. La reconstruction exige déjà des pages source mesurant de 0,5 à 22 pouces sur chaque côté. Hors de cette plage, désactivez la reconstruction et relisez pour une sortie en texte simple Letter ou A4, ou préparez d’abord un PDF au format standard. Les autres limites d’entrée et de rendu restent applicables.

Support Microsoft : ouvrir des PDF dans Word et limites de conversion

Vérifiez séparément les limites du fichier, de la sélection et du texte

La limite d’entrée de 50 MB correspond à 50000000 octets. Des limites de pages et de rendu s’ajoutent : un petit fichier compressé peut contenir une page immense. Réduire la sélection diminue le travail total, mais ne contourne ni le nombre maximal de pages source ni la taille du fichier. La structure et l’OCR produisent des images de page plus grandes que l’aperçu en texte simple.

Les limites textuelles comptent les unités UTF-16 de JavaScript, pas les caractères visibles. Certains symboles occupent deux unités et des séquences combinées peuvent en occuper davantage. Le total affiché pour la relecture exclut les séparateurs ensuite insérés entre pages pour le TXT et le compteur. L’exportation structurée limite aussi blocs, segments de texte formatés, figures et tableaux. Si une limite est atteinte, réduisez la sélection ou simplifiez le document relu.

Vérifiez séparément les limites du fichier, de la sélection et du texte
ÉlémentLimite mise en œuvreSi elle est atteinte
PDF source50000000 octets et 300 pagesDiviser ou réduire d’abord la source
Pages sélectionnées50 entrées ; au maximum 10 avec OCRChoisir une plage réduite et éviter les répétitions involontaires
Texte relu/exporté1000000 unités UTF-16 ; DOCX simple limité à 20000 paragraphesExporter par parties plus petites
Pages rendues8192 pixels par côté ; 8000000 pixels par image de page ; 80000000 au totalUtiliser une plage réduite ou des pages source au format standard
Ressources initiales de relecture50000000 octets au total pour aperçus, rendus source et figuresRéduire les pages ou utiliser le texte simple
DOCX structuré2000 blocs, 50000 segments formatés, 100 figures et 50000000 octets de figures ; sortie limitée à 100000000 octetsSimplifier blocs et figures ou diviser l’opération
Chaque tableau structuré200 lignes, 12 colonnes et 2000 cellulesDiviser le grand tableau en parties adaptées
Durées maximales180 secondes pour la lecture ; 60 secondes pour créer WordRéessayer une opération réduite sur un appareil disponible

API PDF.js : charger des documents, lire du texte et rendre les pagesTesseract.js : reconnaissance d’images et limites de prise en charge PDF

Utilisez le message d’erreur pour choisir la suite

L’extension .pdf ne garantit pas un contenu PDF lisible. Ce parcours applique un diagnostic PDF strict, avec une exception limitée pour certains avertissements de polices réparables. Il peut refuser un fichier endommagé qu’un autre lecteur affiche après réparation. Un aperçu correct ailleurs ne prouve pas que le texte ou la structure puissent être reconstruits ici de manière fiable.

Si la lecture échoue ou est annulée, l’interface ne fournit pas une sélection partielle de pages relues. Corrigez l’entrée ou les options, puis relancez la lecture. Si la création Word échoue, la relecture reste disponible pour correction ou téléchargement TXT. Un moteur local ou un modèle indisponible peut nécessiter le téléchargement réussi des ressources du site avant un nouvel essai.

Utilisez le message d’erreur pour choisir la suite
SymptômeÀ vérifierÉtape suivante
Aucun texte issu d’un scanLe mode texte existant ne lit pas les pixelsChoisir Automatique ou l’OCR de chaque page
Seul le titre a été extraitLa page mixte contient un peu de texte sélectionnableForcer l’OCR et comparer toute la page
Mots incorrects ou manquantsLangue, qualité du scan ou limites de reconnaissanceChoisir le bon modèle et corriger avec la source
Limite de pages ou de renduTaille source, nombre sélectionné ou dimensions de l’imagePréparer une source ou une plage plus petite
Mise en page DOCX différenteReconstruction, police de remplacement ou redistribution WordRelire les blocs et vérifier le document exporté

API PDF.js : charger des documents, lire du texte et rendre les pagesDocumentation Tesseract : améliorer la qualité de reconnaissance

Utilisez le mot de passe connu et sauvegardez les corrections

Pour un PDF protégé, saisissez le bon mot de passe dans le champ local et lancez la lecture. Il ne s’agit pas de récupération de mot de passe. Le champ est vidé après chaque tentative, y compris après un échec ou une annulation ; vous devrez peut-être le remplir à nouveau. L’annulation laisse le PDF sélectionné.

« Annuler » arrête la lecture ou l’exportation en cours. « Effacer le fichier » retire la source, le mot de passe, la plage et la relecture ; d’autres options de lecture et de Word peuvent rester en place. Vérifiez-les avant un autre document. Téléchargez les modifications utiles avant d’effacer, de relire ou de quitter la page. Une relecture visible n’est pas encore un document sauvegardé.

API PDF.js : charger des documents, lire du texte et rendre les pages

Téléchargez le TXT ou envoyez le texte au compteur de mots

« Télécharger le texte relu » utilise la représentation choisie dans « Contenu Word ». Pour la structure, il s’agit du texte des blocs relus, y compris les tableaux et les marqueurs de liste applicables ; les pixels des figures ne fournissent pas de texte. Le TXT contient toutes les pages relues dans l’ordre de sélection, séparées par deux retours à la ligne.

« Compter le texte relu → » envoie ce même texte au compteur de mots dans l’onglet actuel. Sa limite de 1000000 unités inclut les séparateurs ajoutés entre pages. Une relecture atteignant sa propre limite peut donc être trop grande pour ce transfert. Téléchargez de plus petites parties si nécessaire. Le transfert est temporaire et n’est stocké ni dans une URL ni dans le stockage du navigateur. Effacer dans le compteur supprime le texte transféré et l’historique d’annulation.

API PDF.js : charger des documents, lire du texte et rendre les pages

Distinguez traitement local et téléchargements du site

Le PDF, le mot de passe, la relecture et la création Word sont traités sur votre appareil. Ce parcours n’envoie pas les octets du document pour conversion. Ouvrir le site demande toujours des pages et des scripts ; les ressources PDF auxiliaires ou le modèle OCR choisi peuvent être téléchargés au besoin. Les services d’analyse du site peuvent aussi émettre des requêtes. Le traitement local ne garantit ni une première utilisation entièrement hors ligne ni l’absence d’activité réseau.

Lire le texte existant ne demande aucun modèle OCR. Si la reconnaissance devient nécessaire, le modèle choisi est chargé avec le moteur OCR, sans charger automatiquement tous les modèles. Un téléchargement de ressources échoué peut empêcher la reconnaissance malgré un traitement local du document. Téléchargez les fichiers terminés pour les conserver indépendamment de l’onglet.

Tesseract.js : reconnaissance d’images et limites de prise en charge PDFAPI PDF.js : charger des documents, lire du texte et rendre les pages

Vérifiez le résultat avant de le partager

Pour une facture, comparez au PDF le nom du client, l’identifiant, les lignes, les quantités, les séparateurs décimaux et le total. Pour un rapport, contrôlez aussi niveaux de titres, continuité des listes, ordre des colonnes, en-têtes de tableaux et légendes. La confiance OCR est une estimation du moteur, pas une précision mesurée pour votre document.

Ouvrez le DOCX téléchargé dans l’éditeur prévu et examinez les pages à un zoom lisible. Corrigez le flux dans cet éditeur ou modifiez la relecture source puis exportez à nouveau. Gardez le PDF à côté de la version modifiable lorsque sa disposition originale compte. Pour une copie visuelle fixe, le PDF d’origine peut être plus utile que la reproduction de chaque détail dans Word.

Support Microsoft : ouvrir des PDF dans Word et limites de conversionDocumentation Tesseract : améliorer la qualité de reconnaissance

Questions fréquentes

Comment convertir un PDF en Word modifiable ?

Choisissez un PDF, une méthode et une plage, puis « Lire le texte du PDF ». Comparez et modifiez la relecture, choisissez les réglages Word, créez le document et téléchargez le DOCX.

Peut-on lire des pages PDF numérisées ?

Oui, pour les langues imprimées prises en charge et dans les limites OCR. Automatique utilise l’OCR seulement si l’extraction ne produit aucun texte non vide. Choisissez l’OCR de chaque page pour une page mixte ou une couche de texte inutilisable.

Pourquoi Automatique omet-il le texte d’une image ?

Il vérifie si l’extraction existante est non vide, pas si elle couvre toute la page. Un titre sélectionnable peut empêcher l’OCR du reste. L’OCR forcé peut reconnaître les mots de l’image ; vérifiez tout de même le résultat.

La langue de l’interface détermine-t-elle celle de l’OCR ?

Non. Le modèle initial est l’anglais. Choisissez explicitement la langue imprimée. Dix modèles sont proposés ; l’indonésien et l’ourdou sont ici des langues d’interface sans modèles OCR correspondants.

L’OCR traduit-il le texte ou lit-il l’écriture manuscrite ?

Il reconnaît le texte imprimé pris en charge sans le traduire. L’écriture manuscrite et les langues absentes de la liste des modèles ne sont pas prises en charge.

Le document Word sera-t-il identique au PDF ?

Non. Le texte simple produit des paragraphes modifiables. La sortie structurée reconstruit les blocs et figures pris en charge ; polices remplacées, regroupements incertains et redistribution Word peuvent modifier le résultat. Vérifiez le téléchargement.

Puis-je modifier tableaux, titres et colonnes ?

Activez la reconstruction avant la lecture et vérifiez les blocs détectés. Contrôlez niveaux de titres, numérotation, cellules, en-têtes fusionnés, ordre des colonnes et figures. Même avec des balises PDF, la détection reste approximative.

Modifier le texte change-t-il aussi la version structurée ?

Non. Les deux représentations conservent des modifications distinctes. « Contenu Word » détermine la version utilisée pour DOCX, TXT et le texte envoyé au compteur.

Combien de pages puis-je convertir à la fois ?

La source peut contenir au maximum 300 pages. Une opération sélectionne au maximum 50 entrées, dont au maximum 10 nécessitant l’OCR. Les répétitions comptent à nouveau. Les limites de fichier, texte, rendu et durée s’ajoutent.

Une courte plage contourne-t-elle la limite des gros fichiers ?

Elle réduit le travail sélectionné, sans contourner 50000000 octets ni 300 pages source. Divisez une source trop grande en PDF adaptés avant la sélection.

Puis-je convertir un PDF protégé par mot de passe ?

Saisissez localement le bon mot de passe connu avant la lecture. Le champ est vidé après chaque tentative. L’outil ne récupère ni ne contourne un mot de passe inconnu.

Pourquoi le compteur est-il désactivé pour une relecture pleine ?

Sa limite comprend les deux retours à la ligne entre pages. Ces séparateurs peuvent faire dépasser 1000000 unités UTF-16 à un texte autrement autorisé. Téléchargez et comptez des parties plus petites.

Le PDF ou le mot de passe sont-ils envoyés pour conversion ?

Ce parcours les traite localement sur votre appareil. Le site peut toujours demander scripts, ressources PDF, modèle OCR choisi et services d’analyse. Une conversion locale n’implique pas l’absence de requêtes réseau.

Que sauvegarder avant d’annuler ou d’effacer ?

Téléchargez le texte relu ou le DOCX terminé pour conserver les modifications. Annuler garde le PDF sélectionné ; « Effacer le fichier » supprime source et relecture. Une nouvelle lecture réinitialise la relecture précédente.

Sources et lectures complémentaires

Passez à la pratique.

Guides associés