PDF vers Word

Une page PDF n'a aucune notion de « paragraphes » ou de « titres » comme un document Word — en interne, c'est un ensemble de blocs de texte positionnés, chacun indiquant en substance : « dessine ces caractères à ces coordonnées x,y exactes, dans cette police ». Il n'y a ni plan, ni structure de document, pas même une notion fiable de l'endroit où une ligne se termine et où la suivante commence ; une visionneuse PDF reconstruit l'apparence visuelle d'une page en peignant chaque bloc de texte à sa position indiquée, et une personne qui lit le résultat perçoit des lignes et des paragraphes uniquement parce que les positions s'alignent de cette façon. Convertir un PDF en document modifiable revient à remonter ce processus à l'envers : regrouper les blocs de texte partageant une position verticale similaire en lignes, puis repérer où l'écart vertical entre une ligne et la suivante est anormalement grand — signe qu'un paragraphe vient de se terminer — et traiter cela comme un saut de paragraphe. C'est fondamentalement une reconstruction à partir de données de position, pas une lecture d'une structure de document cachée, et c'est exactement pourquoi la mise en forme d'origine ne peut pas être récupérée : il n'y avait dès le départ aucune information de mise en forme structurée dans le fichier à récupérer, seulement l'endroit où l'encre avait été posée.

Il est facile de supposer que « lire un PDF » et « lire une page scannée » sont la même tâche pour le même outil, mais ce sont en réalité deux problèmes bien distincts. L'extraction de texte, ce que fait cet outil, lit du texte qu'un PDF stocke déjà en tant que texte — codes de caractères et positions, les mêmes données qu'une visionneuse PDF utilise pour vous laisser sélectionner et copier une phrase. L'OCR (reconnaissance optique de caractères) résout un problème bien plus difficile : regarder une page qui n'est qu'une image, sans aucune donnée textuelle nulle part dans le fichier, et utiliser de la reconnaissance d'image pour deviner quelles lettres et quels mots cette image représente. C'est une entreprise fondamentalement plus lourde — elle implique du traitement d'image, des modèles de reconnaissance de caractères, et une incertitude inhérente sur ce qu'est même la « bonne » réponse, rien de tout cela ne s'appliquant quand le texte est déjà présent en tant que texte. Intégrer un moteur d'OCR complet dans un outil dont tout l'attrait est de s'exécuter instantanément dans votre navigateur sacrifierait la rapidité et la simplicité qui rendent cet outil utile, pour la minorité de PDF qui se trouvent être des scans. Un PDF scanné, uniquement composé d'images, est un cas réel et courant, et cet outil le signale clairement dans ses résultats plutôt que de produire silencieusement un document vide — mais le résoudre correctement suppose de se tourner vers un outil d'OCR dédié, pas d'étirer celui-ci au-delà de ce qu'il fait honnêtement.

Un convertisseur plus ambitieux pourrait tenter de recréer la mise en page de la page d'origine — placer le texte dans des zones aux coordonnées approximativement exactes, deviner des colonnes, tenter de reproduire les polices. En pratique, cela produit un document qui ressemble superficiellement à l'original mais qui est quasiment impossible à réellement modifier : du texte posé dans des zones flottantes déconnectées plutôt que dans des paragraphes qui s'écoulent, se recomposant mal dès qu'on ajoute ou retire quoi que ce soit, et résistant à l'utilisateur à chaque modification. Recomposer le texte extrait en paragraphes ordinaires à la place — l'approche adoptée par cet outil — renonce délibérément à la ressemblance visuelle en échange d'un document qui se comporte comme un document Word est censé le faire : taper à la fin d'un paragraphe et le voir s'enrouler normalement, supprimer une phrase et voir le reste de la page se recomposer comme les traitements de texte l'ont toujours fait. Pour l'objectif courant de récupérer les mots d'un PDF dans un document modifiable — pour les citer, les réviser, les réutiliser ou les traduire — ce compromis est le bon, et c'est pourquoi cet outil n'essaie pas d'être un outil de préservation de mise en page déguisé en éditeur de texte.