Nettoyer un texte collé depuis un PDF
Césures, retours à la ligne parasites, en-têtes répétés et ligatures, réparés et comptés.
Traité sur cet appareil · aucun envoi de fichier
TXTMDMARKDOWNLOGVous pouvez aussi coller du texte ou un fichier (Ctrl+V)Confortable jusqu’à 30 Mo par fichier
Aucun téléchargement : tout se passe dans cette page.détails
Cet outil n’utilise aucun moteur à télécharger — son code est déjà dans la page.
À quoi sert cette page
Coller trois paragraphes depuis un lecteur de PDF donne rarement trois paragraphes : on récupère vingt lignes coupées au milieu des phrases, des mots tranchés par un trait d’union, l’en-tête du document tous les quarante lignes, des « fi » qui ne se laissent pas chercher et des espaces insécables partout. C’est normal — un PDF n’a pas de paragraphes, il a des lignes posées à des coordonnées. Cette page les reconstitue, en comptant chaque réparation, et sans coller entre eux les titres et les listes.
On dit aussi : enlever les sauts de ligne parasites.
Comment faire
- Enregistrez votre texte collé dans un fichier .txt, puis déposez-le.
- Décochez les réparations que vous ne voulez pas — chacune est indépendante.
- Lisez le détail de ce qui a été réparé, puis téléchargez le texte propre.
Questions fréquentes
Pourquoi un texte collé depuis un PDF est-il coupé à chaque ligne ?
Parce qu’un PDF ne contient pas de paragraphes. Il décrit des morceaux de texte à des positions précises sur une page, et la notion de « suite du paragraphe » n’y existe nulle part. Quand un lecteur reconstitue le texte pour le presse-papiers, il met un retour à la ligne à chaque ligne visuelle, y compris au milieu d’une phrase. Rien n’est cassé : l’information de paragraphe n’a jamais été là.
Comment les titres et les listes sont-ils épargnés ?
Par leur forme. Une ligne qui va presque jusqu’au bord du bloc a été coupée par la mise en page, donc elle continue ; une ligne courte suivie d’une majuscule est un titre, et son retour à la ligne est gardé. Une puce, un tiret ou un numéro d’article en début de ligne ferme toujours ce qui précède. Ces trois règles suffisent sur la grande majorité des documents, et le compte affiché permet de vérifier qu’elles n’ont pas trop travaillé.
Pourquoi séparer les ligatures fi et fl ?
Parce qu’un « fi » collé depuis un PDF est un seul caractère, différent de la suite « f » puis « i ». Chercher « fichier » dans le document ne trouve alors rien, un correcteur orthographique signale le mot comme faux, et un moteur d’indexation passe à côté. Le œ de « cœur » et le æ de « et cætera », eux, sont de vraies lettres françaises : ils sont conservés.
Que faire d’un PDF à deux colonnes ?
Ne pas le coller d’un bloc. Le copier-coller lit la page ligne par ligne et entrelace les deux colonnes : une ligne de gauche, une ligne de droite, et le texte devient incompréhensible avant même d’arriver ici. Aucun nettoyage ne peut le retrouver. Deux solutions : sélectionner une colonne à la fois, ou passer par « extraire le texte d’un PDF », qui reconnaît les deux colonnes au moment de la lecture.
Les réparations sont-elles vérifiables ?
Oui, et c’est le point important : chaque option est comptée séparément — tant de césures recollées, tant de lignes recollées dans leur paragraphe, tant d’en-têtes supprimés, avec le texte exact des lignes retirées. Si un compte vous paraît trop élevé, décochez l’option concernée et relancez. Rien ne se fait en silence.
Bon à savoir
- L’ordre de lecture d’un PDF à plusieurs colonnes est perdu avant d’arriver ici : le copier-coller entrelace déjà les colonnes ligne à ligne, et aucun traitement du texte obtenu ne peut les redémêler. Copiez colonne par colonne, ou passez par « extraire le texte d’un PDF », qui sait traiter les deux colonnes à la source.
- Le recollage des paragraphes s’appuie sur la longueur des lignes : une ligne qui atteint les trois quarts de la largeur typique du bloc a été coupée par la mise en page. Sur un texte dont les lignes sont toutes courtes — de la poésie, un tableau, du code —, désactivez cette option : elle ferait un pavé de ce qui était en colonnes.
- Un mot composé coupé en fin de ligne est ambigu et le restera : « incerti-tude » doit perdre son trait d’union, « contre-mesure » doit le garder, et rien dans le texte ne les distingue. Une liste des premiers éléments les plus courants — contre, sous, non, demi, arc, quatre… — protège les cas fréquents ; ailleurs, le trait d’union est retiré.
- Une ligne n’est supprimée comme en-tête que si elle revient au moins trois fois à l’identique et fait moins de 90 caractères. Un intertitre répété deux fois est donc conservé. Les lignes qui ne contiennent qu’un numéro, ou « Page 5 sur 12 », sont retirées dès la première occurrence.
- Les notes de bas de page, les appels de note en exposant et les légendes d’illustration restent dans le flux, souvent au milieu d’une phrase : le copier-coller les y a mis, et rien ne permet de les reconnaître à coup sûr. Il faut les retirer à la main.
- La ligature œ et la ligature æ sont conservées : ce sont des lettres françaises, pas des artifices de typographie. Seules fi, fl, ff, ffi, ffl et leurs voisines, qu’aucun clavier ne produit, sont séparées.
- Le texte doit être déposé en fichier : enregistrez votre collage en .txt depuis un éditeur, puis déposez-le. Cette page ne modifie rien d’autre que le contenu de ce fichier, et le vôtre ne bouge pas.