Impossible de copier le texte d'un PDF : causes et solutions

Vous faites glisser la souris sur un paragraphe et rien ne se surligne. Ou le texte se surligne mais Copier est grisé. Ou vous collez et obtenez une suite de symboles, comme si le fichier était corrompu. Ou encore les mots arrivent intacts, mais chaque ligne se termine par un retour à la ligne forcé. Chacun de ces symptômes a sa propre cause, et sa propre solution.

Identifiez d'abord votre cas

• Un clic sélectionne toute la page d'un bloc, ou rien du tout : la page est une image, le plus souvent un scan.
• Le texte se surligne mais Copier est grisé, ou le lecteur annonce que la copie n'est pas autorisée : le fichier a des restrictions d'autorisations. Les propriétés du document, onglet Sécurité, le confirment en général.
• La copie fonctionne, mais le texte collé est du charabia : un problème de police à l'intérieur du PDF.
• Le texte collé est juste, mais la mise en forme est en vrac.

C'est une page scannée

Un scanner produit une photo de la feuille. Vous lisez les mots, mais le fichier ne connaît que des pixels : rien à sélectionner, rien à chercher. La reconnaissance de texte (OCR) lit les lettres sur l'image et ajoute une couche de texte invisible derrière chaque page. La page garde exactement son aspect, et vous pouvez désormais la sélectionner, la copier et y faire des recherches.

Notre OCR ne lit que l'anglais. Sur un document en français, la plupart des mots sont reconnus, mais les lettres accentuées sont souvent perdues ou remplacées, et un scan net, droit et bien contrasté donne de bien meilleurs résultats qu'une photo de travers prise au téléphone. Dans tous les cas, relisez les chiffres et les noms propres.

Le fichier bloque la copie

Un PDF peut porter deux sortes de mot de passe. Le mot de passe d'ouverture empêche d'ouvrir le fichier. Le mot de passe des autorisations laisse tout le monde l'ouvrir, mais demande aux lecteurs de bloquer la copie, l'impression ou la modification. C'est lui qui se cache derrière une commande Copier grisée.

S'il s'agit de votre document, ou si son propriétaire vous a autorisé à réutiliser le texte, passez-le dans Déverrouiller PDF et vous récupérerez une copie sans protection. Quand le fichier s'ouvre sans rien demander, laissez le champ du mot de passe vide : un PDF qui n'a que des restrictions d'autorisations se déverrouille ainsi. Si l'outil réclame malgré tout un mot de passe que vous n'avez pas, ou si le document n'est pas le vôtre, demandez plutôt à l'expéditeur une version sans restriction. Sur une étude sous licence ou un sujet d'examen, les restrictions sont généralement voulues.

Le texte collé ressort en charabia

Dans un PDF, le texte est stocké sous forme de codes qui renvoient à des formes dans une police intégrée. Pour retransformer ces codes en lettres, le lecteur a besoin d'une table de correspondance dans le fichier. Certains logiciels omettent cette table ou utilisent un encodage maison : la page s'affiche parfaitement, mais la copie vous livre les codes bruts. Changer de lecteur aide rarement, puisque l'information n'est tout simplement pas dans le fichier.

L'OCR permet de contourner le problème, car elle lit les formes et non les codes. Avec un piège : notre OCR saute les pages qui contiennent déjà du texte pour ne rien dupliquer, et une page en charabia compte comme une page avec du texte. Il faut donc d'abord transformer les pages en simples images :

1. Convertissez le PDF avec PDF en PNG, en Haute (300 DPI).
2. Remettez ces PNG dans un PDF avec PNG en PDF, dans l'ordre des pages. Attention au bouton Trier par nom, qui place page_10 avant page_2 : les flèches à côté de chaque fichier rétablissent l'ordre.
3. Passez le nouveau fichier dans OCR PDF.

Vous obtenez un PDF façon scan avec une vraie couche de texte. Il est plus lourd que l'original et le texte n'est plus vectoriel : gardez l'original pour la lecture et la copie OCR pour copier.

Le texte est juste, les retours à la ligne non

Un PDF ignore ce qu'est un paragraphe. Il stocke des lignes placées à des positions sur la page : quand vous copiez, chaque ligne se termine par un saut, et un mot coupé en fin de ligne garde son trait d'union. Copier une douzaine de pages de cette façon, c'est beaucoup de sélections laborieuses.

PDF en Texte rassemble le texte de toutes les pages dans un seul .txt, avec une ligne vide entre les pages. Les sauts de ligne sont toujours là, mais vous n'avez à les nettoyer qu'une fois. Dans Word, ouvrez Remplacer, cochez Utiliser les caractères génériques, cherchez ([a-zéèêàùç,])^13 et remplacez par \1 suivi d'une espace. Cela recolle toute ligne qui finit par une minuscule, accentuée ou non, ou par une virgule, et laisse tranquilles la plupart des vraies fins de paragraphe, qui se terminent par un point. Les accents sont listés un par un parce que la plage a-z ne les couvre pas.

Questions fréquentes

Pourquoi la recherche ne trouve-t-elle pas des mots que je vois sur la page ?

Pour les mêmes raisons que la copie. Sur un scan, il n'y a pas de texte à chercher, et dans un fichier à la police défectueuse, la recherche vise des lettres stockées sous d'autres codes. Après l'OCR, la recherche fonctionne normalement, à ceci près que notre OCR peut retirer les accents : cherchez « cafe » si « café » ne donne rien.

A-t-on le droit de lever une restriction de copie ?

Sur vos propres fichiers, oui. Sur ceux des autres, seulement avec leur accord, et le plus simple est souvent de leur demander une copie sans restriction. Notre outil Déverrouiller PDF ne devine ni ne casse aucun mot de passe. Il travaille avec celui que vous avez déjà.