Word en PDF : extraire le texte DOCX et vérifier le résultat
Admin ·
L’outil Word en PDF de ToolMellow lit le texte d’un DOCX dans votre navigateur, vous permet de le vérifier ou de le modifier, puis crée un PDF au format A4. Choisissez un fichier, cliquez sur Lire le document, vérifiez le champ Texte du document, puis créez et téléchargez le PDF. Vous pouvez aussi coller votre propre texte sans sélectionner de fichier.
Ce parcours convient pour obtenir une copie visuelle simple du texte d’un document. La mise en page, les images et les styles Word sont omis, et le PDF contient des images du texte rendu. Si vous avez besoin de texte recherchable, d’une structure pour les lecteurs d’écran ou d’une mise en forme fidèle, utilisez l’export PDF d’un traitement de texte adapté et vérifiez le fichier obtenu.
Choisir une conversion adaptée au document
Convertir Word en PDF peut répondre à plusieurs besoins : conserver une page mise en forme, transformer du texte modifiable en support visuel ou produire un document accessible. Cet outil transforme du texte en images de pages. Déterminez les propriétés utiles à vos lecteurs avant de supprimer des éléments dont ils pourraient avoir besoin.
Une lettre composée de paragraphes ordinaires est plus facile à contrôler après extraction qu’une facture dont le sens dépend des colonnes, un rapport avec des notes de bas de page ou un formulaire avec des champs et des signatures. Conservez le DOCX original pour comparer le résultat et choisir un autre mode d’export si nécessaire.
| Besoin | Ce que fournit l’outil | Choix conseillé |
|---|---|---|
| Copie visuelle simple d’un texte vérifié | Texte extrait modifiable, puis pages A4 composées d’images | Utilisez l’outil et examinez le PDF téléchargé. |
| Tableaux, images et présentation d’origine | Extraction de texte sans ces éléments de mise en page | Exportez depuis un traitement de texte et comparez les pages. |
| Recherche, sélection ou structure pour les technologies d’assistance | Aucune couche de texte PDF ni balise structurelle | Utilisez un export qui offre ces propriétés et vérifiez-les. |
| Images de pages numérisées dans un DOCX | Ni OCR ni extraction d’images | Utilisez un parcours OCR adapté avant de vérifier le texte. |
Microsoft : enregistrer ou convertir des documents Office en PDFLibreOffice : export PDF et options de structure du documentW3C : texte réel, OCR et accessibilité des PDF composés d’images
Lire, modifier, créer, puis télécharger et vérifier
Choisissez un seul fichier DOCX, puis cliquez sur Lire le document. La sélection du fichier ne déclenche pas l’extraction. Vérifiez le Texte du document, notamment l’ordre des cellules, les notes manquantes et les passages dont le sens dépendait de la présentation. Les modifications servent au prochain PDF ; elles ne modifient pas le DOCX original.
Lorsque le texte est prêt, cliquez sur Créer le PDF. Télécharger le PDF apparaît après une création réussie. L’espace de travail ne propose pas d’aperçu du PDF généré : téléchargez le fichier et ouvrez-le dans un lecteur PDF pour examiner toutes les pages. Modifier le texte invalide le téléchargement précédemment généré et efface une ancienne erreur ; il faut donc recréer le PDF après une modification.
- Choisir un autre fichier efface le texte actuel, le résultat généré et l’erreur. Conservez le brouillon dont vous avez besoin avant de changer de fichier.
- Lire le document relit le fichier sélectionné et peut remplacer vos modifications. Créer le PDF utilise le texte actuel de l’éditeur.
- Pendant le traitement, les commandes sont désactivées et Annuler reste disponible pour la tâche en cours. Un éditeur vide ou ne contenant que des espaces blancs ne permet pas de lancer la création.
Comprendre ce que recouvre le texte d’un DOCX
Un DOCX est un paquet contenant des parties XML et d’autres ressources. Le lecteur extrait les paragraphes pris en charge dans word/document.xml, y compris ceux des cellules de tableau, dans leur ordre au sein du document XML. Il gère les espaces de noms WordprocessingML transitionnel et strict pris en charge, sans reconstruire la mise en page réalisée par Word.
Le texte des segments pris en charge est recueilli ; les tabulations deviennent des caractères de tabulation, et les éléments de saut de ligne, de retour chariot et de saut de page pris en charge deviennent des sauts de ligne. Les paragraphes sont réunis par des sauts de ligne, puis les espaces blancs aux extrémités du texte final sont supprimés. Un tableau devient une suite de paragraphes de cellules, sans grille ni relations de lignes et de colonnes.
Microsoft : structure d’un document WordprocessingMLEcma : représentation et empaquetage Office Open XMLMDN : analyse XML et détection des erreurs
Vérifier notes, listes, liens et modifications suivies
Les en-têtes, pieds de page, commentaires, notes de bas de page et notes de fin stockés dans des parties séparées ne sont pas lus. Images, dessins et zones de texte sont ignorés, ainsi que les suppressions suivies. Le texte inséré pris en charge peut rester. Le résultat ne constitue pas une révision complète et ne remplace pas l’acceptation ou le refus des modifications dans l’application d’origine.
Le texte visible d’un hyperlien contenu dans des segments pris en charge peut être extrait, mais sa destination et sa relation cliquable ne le sont pas. Les numéros et puces générés automatiquement ne sont pas reconstruits à partir des définitions de numérotation. Un numéro ou une puce déjà enregistré comme texte peut rester. Vérifiez les renvois tels que « voir la note 3 » et les consignes présentées en liste avant de diffuser le résultat.
Microsoft : structure d’un document WordprocessingMLMicrosoft : texte d’un hyperlien et cible de sa relation
Vérifier les limites d’entrée et de sortie
Un petit DOCX compressé peut contenir un XML volumineux ou de nombreuses entrées. La taille du fichier n’est donc qu’une limite parmi plusieurs. Le lecteur exige un fichier non vide dont le nom se termine par .docx, sans distinction de casse, et une partie document lisible et prise en charge. Les anciens fichiers .doc et les fichiers à macros .docm ne sont pas pris en charge ; les renommer ne convertit pas leur contenu.
Le lecteur vérifie la signature du paquet, la taille du XML choisi, la structure du document et les erreurs d’analyse, et refuse les déclarations DTD ou d’entités. Il n’exécute pas les parties contenant des macros et ne certifie pas que toutes les parties sont sûres ou conformes à chaque règle Office Open XML. Cet outil ne permet pas de récupérer un document chiffré ou endommagé.
| Élément limité | Maximum | Point à vérifier |
|---|---|---|
| Fichier sélectionné | 10000000 octets, soit 10 Mo | Taille du fichier compressé ; le XML a sa propre limite. |
| XML du document | 10000000 octets | La taille décompressée déclarée et les octets réellement extraits sont vérifiés. |
| Entrées ZIP | 2500 | Les entrées examinées comptent même si leur contenu n’est pas extrait. |
| Paragraphes extraits | 10000 | Le budget de texte peut être atteint avant. |
| Budget de texte à l’extraction | 100000 unités de code UTF-16 | Chaque paragraphe pris en charge coûte sa longueur plus une unité avant la suppression finale des espaces blancs aux extrémités. |
| Éditeur et texte fourni au PDF | 100000 unités de code UTF-16 | Limite de longueur de chaîne, pas de mots ou de caractères visibles. |
| PDF généré | 50 pages A4 | Les retours et l’habillage du texte déterminent les pages, pas le nombre de pages Word d’origine. |
fflate : filtrage ZIP et traitement synchroneMDN : analyse XML et détection des erreursMDN : longueur d’une zone de texte en unités UTF-16Ecma : représentation et empaquetage Office Open XML
Pourquoi 100000 caractères peuvent déjà dépasser la limite
Les limites sont exprimées en unités de code UTF-16. Beaucoup de caractères courants occupent une unité ; un caractère supplémentaire comme 😀 en occupe deux. Un caractère visible peut également être composé de plusieurs points de code. Le nombre de mots ou de symboles visibles ne permet donc pas de prévoir si le document respectera la limite.
Lors de l’extraction, chaque paragraphe accepté ajoute au budget la longueur de son texte plus une unité, avant la réunion finale et la suppression des espaces blancs aux extrémités. Un paragraphe unique de 99999 lettres ASCII respecte ce budget ; un paragraphe de 100000 lettres le dépasse à cause de l’unité supplémentaire. Les paragraphes vides et les espaces aux extrémités comptent aussi avant suppression. Le maximum distinct de 100000 unités dans l’éditeur ne supprime pas ces règles d’extraction.
MDN : longueur d’une zone de texte en unités UTF-16MDN : segmenter le texte aux frontières de graphèmes
Comment le texte devient de nouvelles pages A4
Le moteur dessine du texte sombre sur un canevas blanc de 1240 pixels sur 1754, avec une police sans empattement du navigateur de 24 pixels, des marges fixes et un interligne fixe. Chaque image remplit une page PDF A4 d’environ 595,28 points sur 841,89. Aucun réglage ne permet de choisir le papier, la police, les marges ou les sauts de page Word d’origine.
Les retours chariot deviennent des sauts de ligne, les tabulations sont remplacées par quatre espaces et le texte mesuré passe à la ligne selon la largeur disponible. Les éléments de texte sont normalisés en NFC et découpés aux frontières de graphèmes lorsque nécessaire. Ces opérations créent des images de pages lisibles, sans préserver exactement les espacements, la représentation Unicode ou la mise en page d’origine. Un texte long ou de nombreuses lignes vides peuvent dépasser 50 pages même si la limite de longueur du texte est respectée.
MDN : dessiner du texte sur un canevasMDN : exporter un canevas sous forme de Blob imagepdf-lib : intégrer des images PNG dans un PDFMDN : normalisation Unicode et NFCMDN : segmenter le texte aux frontières de graphèmes
Comprendre les conséquences d’un PDF composé d’images
Le résultat contient des images de pages, et non des objets texte PDF. L’outil ne fournit donc pas de couche de texte sélectionnable ou recherchable, de liens cliquables, de titres structurés, de structure de tableau ni de balises pour les lecteurs d’écran. Un document peut paraître lisible à l’écran tout en manquant du texte et de la structure nécessaires à un autre lecteur ou système.
Certains lecteurs PDF ou outils OCR distincts peuvent reconnaître le texte dans les images, mais il s’agit d’un traitement supplémentaire extérieur à ce convertisseur. L’OCR ne garantit pas à lui seul des balises correctes, un bon ordre de lecture ou un document accessible. Si l’accessibilité, la recherche ou la réutilisation fiable du texte est importante, partez d’un export adapté dans l’application source, puis vérifiez le PDF obtenu.
W3C : texte réel, OCR et accessibilité des PDF composés d’imagespdf-lib : intégrer des images PNG dans un PDFMicrosoft : enregistrer ou convertir des documents Office en PDFLibreOffice : export PDF et options de structure du document
Contrôler les polices et les sens d’écriture mixtes
Le navigateur assure la composition du texte et le choix des polices de remplacement ; les polices du document original ne sont pas reproduites. Examinez les lettres accentuées, les écritures liées, les emoji, les symboles mathématiques et les caractères moins courants dans les pages téléchargées. Un exemple réussi dans un navigateur ne garantit pas toutes les polices ou écritures sur un autre appareil.
Le sens du paragraphe est choisi par une heuristique limitée, fondée sur la première lettre et une plage Unicode hébraïque/arabe. Elle ne reproduit pas tout le modèle de mise en forme de Word. Vérifiez visuellement les passages mêlant arabe ou ourdou à des noms de produits latins, des nombres, des URL et de la ponctuation, ainsi que les tableaux dont le sens dépendait de l’alignement.
MDN : dessiner du texte sur un canevasMDN : segmenter le texte aux frontières de graphèmesMDN : normalisation Unicode et NFC
Comprendre le traitement local et les fichiers enregistrés
La lecture du DOCX, l’édition et la création du PDF se déroulent dans l’onglet du navigateur. La conversion ne comporte pas d’envoi du document, et le site n’enregistre pas votre document ou vos modifications comme brouillon. L’ouverture du site charge tout de même des pages et des ressources, et les outils habituels de mesure d’audience peuvent fonctionner. Le traitement local ne garantit ni l’absence de requêtes réseau ni une première visite hors connexion.
Pour un fichier sélectionné nommé report.docx, le nom de téléchargement demandé est report.pdf ; pour du texte saisi sans fichier, c’est document.pdf. Le navigateur décide de l’emplacement d’enregistrement et peut renommer les doublons. Modifier le texte, annuler ou fermer l’onglet n’efface pas le document original ni les PDF déjà téléchargés.
Résoudre une erreur en préservant le texte souhaité
Le message indiquant que le DOCX est endommagé, chiffré ou trop volumineux couvre plusieurs échecs de lecture ; il ne désigne pas une cause unique. Ouvrez la source dans un traitement de texte de confiance, vérifiez qu’il s’agit d’un DOCX exploitable, puis réduisez ou simplifiez une copie si elle dépasse une limite. Si le texte extrait est vide, vérifiez si le contenu se limite à des images, des zones de texte ou des parties non prises en charge.
Si la création du PDF échoue, vérifiez la longueur du texte et le nombre probable de pages, puis essayez un texte plus court. Conservez vos modifications ailleurs avant de recharger la page, car cet espace ne les enregistre pas automatiquement. Annuler invalide le résultat en cours et réactive les commandes, mais le traitement ZIP/XML synchrone n’est pas nécessairement interrompu immédiatement lorsque le fil principal du navigateur est occupé.
| Constat | Vérification utile | Suite à donner |
|---|---|---|
| La lecture du document échoue | Extension, limites ZIP/XML, chiffrement ou structure endommagée | Vérifiez une copie dans l’application d’origine ; renommer ne convertit pas. |
| Aucun texte trouvé | Le contenu peut être constitué d’images, de zones de texte ou de parties séparées | Utilisez un export ou un parcours OCR adapté et contrôlez le texte. |
| Créer le PDF est désactivé | Absence de texte non blanc, ou tâche en cours | Lisez un document ou saisissez du texte, puis attendez ou annulez la tâche. |
| La création échoue malgré un petit fichier | Nombre de pages rendu ou ressources du navigateur | Réduisez le texte et les lignes vides superflues ; sauvegardez les modifications avant de recharger. |
| Le contenu téléchargé est incomplet ou réordonné | Contenu non pris en charge et relations de mise en page perdues | Comparez à l’original et utilisez un export de traitement de texte si nécessaire. |
fflate : filtrage ZIP et traitement synchroneMDN : analyse XML et détection des erreurs
Contrôler le PDF téléchargé avant de le partager
Examinez la première et la dernière page, puis toutes les pages intermédiaires. Recherchez les phrases manquantes, les libellés de tableau séparés de leurs valeurs, les glyphes coupés ou remplacés, les blancs inattendus et les changements de sens d’écriture. Comparez les totaux, noms et consignes essentiels à l’original : un téléchargement réussi ne prouve pas la fidélité du contenu.
Conservez ce résultat seulement s’il répond aux besoins du lecteur. Si la mise en page ou la structure du document est importante, Microsoft Word et LibreOffice proposent leurs propres options d’export PDF. Il faut tout de même choisir les réglages pertinents et vérifier le résultat ; changer d’application ne certifie pas à lui seul l’accessibilité ou l’apparence exacte.
- Vérifiez que tout le texte indispensable a été extrait, notamment les listes, les notes et les relations entre cellules.
- Examinez le PDF enregistré dans le lecteur utilisé par votre public, y compris les passages multilingues et les fins de page.
- Choisissez un export doté d’une vraie couche de texte et d’une structure adaptée si la recherche, la copie ou les technologies d’assistance sont nécessaires.
Microsoft : enregistrer ou convertir des documents Office en PDFLibreOffice : export PDF et options de structure du documentW3C : texte réel, OCR et accessibilité des PDF composés d’images
Questions fréquentes
Comment convertir le texte d’un DOCX en PDF dans le navigateur ?
Choisissez un DOCX, cliquez sur Lire le document, vérifiez ou modifiez le texte extrait, puis cliquez sur Créer le PDF et Télécharger le PDF. Ouvrez le fichier enregistré pour examiner ses pages ; aucun aperçu du PDF généré n’est proposé dans l’espace de travail.
Peut-on créer un PDF sans choisir de fichier ?
Oui. Saisissez du texte non blanc dans Texte du document, puis cliquez sur Créer le PDF. Sans nom de fichier sélectionné, le téléchargement demande le nom document.pdf. Les mêmes limites de longueur de texte et de 50 pages s’appliquent.
La mise en forme Word et les images sont-elles conservées ?
Non. Le texte pris en charge est extrait et redisposé avec une police du navigateur. Les images, les styles d’origine, les grilles de tableau et la pagination Word sont omis. Utilisez un export de traitement de texte si ces propriétés comptent.
Pourquoi le texte du PDF ne peut-il pas être sélectionné ou recherché ?
L’outil place des images de pages dans le PDF, sans couche de texte. L’OCR éventuellement proposé par un lecteur constitue un traitement distinct. Le résultat ne comporte pas non plus de balises structurelles pour les lecteurs d’écran.
Les hyperliens sont-ils conservés ?
Le texte visible d’un lien contenu dans les segments pris en charge peut être extrait. Les destinations et les liens cliquables ne sont pas conservés, et le PDF généré contient des images plutôt que des objets de lien interactifs.
Peut-il lire les DOC, DOCM ou documents protégés par mot de passe ?
Non. L’entrée prise en charge est un DOCX lisible et non vide dont le nom se termine par .docx, sans distinction de casse. Changer l’extension ne convertit pas le paquet. Le lecteur n’exécute pas les macros et ne certifie pas la sécurité de leur contenu.
Pourquoi un DOCX de moins de 10 Mo est-il refusé ?
Des limites distinctes portent sur la taille du XML, le nombre d’entrées ZIP, les paragraphes extraits et le budget de texte UTF-16. Une structure non prise en charge ou endommagée, ou le chiffrement, peuvent aussi provoquer un échec. Le message général ne précise pas la condition en cause.
La limite correspond-elle à 100000 caractères visibles ?
Non. Elle compte les unités de code UTF-16 ; l’extraction ajoute une unité par paragraphe accepté avant la suppression des espaces blancs aux extrémités. Certains caractères visibles occupent plusieurs unités, et un paragraphe unique de 100000 unités dépasse déjà le budget d’extraction.
Les listes, notes de bas de page et modifications suivies sont-elles conservées ?
Les parties de notes séparées et les suppressions suivies sont omises. Le texte inséré pris en charge peut rester. Les règles de numérotation ne sont pas utilisées pour générer les libellés de liste, mais ceux enregistrés comme texte peuvent subsister. Vérifiez soigneusement le sens du texte extrait.
Le document est-il envoyé pendant la conversion ?
La lecture du document et la création du PDF s’exécutent dans l’onglet, sans action d’envoi du document. Le site effectue tout de même des requêtes normales pour les pages, les ressources et la mesure d’audience ; il ne garantit ni l’absence de réseau ni un fonctionnement hors connexion dès la première visite.
Annuler arrête-t-il immédiatement tout le traitement ?
Annuler invalide le résultat en cours et rend l’interface modifiable lorsque le navigateur peut traiter l’action. Les opérations ZIP/XML synchrones peuvent occuper le fil principal ; leur interruption immédiate n’est donc pas garantie.
Quand faut-il exporter depuis Word ou LibreOffice ?
Utilisez une application de création lorsque vous avez besoin de la mise en page source, des images, d’un texte recherchable ou d’une structure d’accessibilité adaptée. Choisissez les options PDF pertinentes, puis vérifiez l’apparence, le texte et l’ordre de lecture du résultat.
Sources et lectures complémentaires
- Microsoft : structure d’un document WordprocessingML
- Microsoft : texte d’un hyperlien et cible de sa relation
- Ecma : représentation et empaquetage Office Open XML
- fflate : filtrage ZIP et traitement synchrone
- MDN : analyse XML et détection des erreurs
- MDN : longueur d’une zone de texte en unités UTF-16
- MDN : exporter un canevas sous forme de Blob image
- MDN : dessiner du texte sur un canevas
- MDN : segmenter le texte aux frontières de graphèmes
- MDN : normalisation Unicode et NFC
- pdf-lib : intégrer des images PNG dans un PDF
- Microsoft : enregistrer ou convertir des documents Office en PDF
- LibreOffice : export PDF et options de structure du document
- W3C : texte réel, OCR et accessibilité des PDF composés d’images