Extraire le texte d’un PDF texte ou numérisé
Si vous pouvez sélectionner du texte dans le PDF, il possède une couche de texte. Un scan peut ne contenir qu’une image des mots, ce qui nécessite une reconnaissance. Le panneau ci-dessus traite les deux cas avec PDF en Markdown et renvoie du texte modifiable structuré en Markdown.
Obtenir le texte dont vous avez besoin
- Importez le PDF, connectez-vous et lancez la conversion. Des crédits sont utilisés.
- Lisez le Markdown à côté du PDF original. Comparez l’ordre de lecture, les noms, les nombres et la dernière section.
- Copiez le résultat ou téléchargez le fichier .md.
- Si vous avez besoin de texte sans mise en forme, retirez les marqueurs de titres, de listes, de liens et de tableaux dans un éditeur de texte, puis enregistrez en .txt.
Renommer un .md en .txt ne suffit pas à retirer les marqueurs. Par exemple, ## Results reste cette même ligne tant que vous ne la modifiez pas. Gardez les marqueurs si vous voulez du texte consultable par recherche qui distingue encore les sections.
Vérifier l’extraction avant de la réutiliser
Les scans, les colonnes et les cellules fusionnées peuvent introduire des erreurs ou modifier l’ordre de lecture. Vérifiez les valeurs exactes avant toute analyse, traduction ou citation. Ce processus extrait le contenu ; il ne conserve pas la mise en page et n’ajoute pas de couche de texte consultable par recherche au PDF original.
Pour comprendre le format intermédiaire, consultez PDF en Markdown. Le guide d’extraction de texte PDF aide à distinguer le texte sélectionnable de la reconnaissance OCR.