PDF en DOCX

Retrouver la structure à partir de coordonnées

Un PDF n'a pas de paragraphes. Il a des glyphes, chacun avec sa position, sa taille et sa police, et tout ce qu'un lecteur perçoit comme une structure n'est qu'un effet de l'endroit où ces glyphes ont été posés. Convertir un PDF en Word, c'est déduire cette structure — et c'est cette déduction, non le format de fichier, qui constitue tout le problème.

Les caractères partageant une ligne de base forment une ligne. Les écarts horizontaux supérieurs au cinquième du corps deviennent des espaces entre les mots, car un PDF peut positionner chaque mot à la main sans encoder le moindre espace. Les lignes forment un paragraphe jusqu'à preuve du contraire : un écart supérieur à l'interligne, un changement de corps, un nouveau retrait, ou une ligne précédente qui s'arrête avant le bord de la colonne — ce à quoi ressemble, vue de l'extérieur, la dernière ligne d'un paragraphe.

Les réglages de la barre d'outils

Reconstituer les paragraphes

Fusionne les lignes visuelles en paragraphes continus et recolle les mots qu'une césure avait coupés en fin de ligne. Passez à une ligne chacune pour la poésie, le code, les formulaires et tout ce dont la coupure de ligne fait partie du contenu.

Pages

Ne lire qu'une plage. Sur un long rapport, c'est la différence entre une seconde et une minute, puisque presque tout le temps part dans l'analyse des pages.

Titres

Promeut en Titre 1 à 4 les lignes courtes nettement plus grandes que le texte courant, pour que le résultat ait un vrai plan et un volet de navigation dans Word.

Listes

Reconnaît les glyphes de puce et les marqueurs 1. / a) / iv., les retire du texte et reconstruit l'élément en véritable liste Word, au niveau de retrait que la mise en page suggérait.

Retirer les en-têtes

Écarte les lignes qui se répètent en haut ou en bas de la plupart des pages, ainsi que celles qui ne sont qu'un numéro de page. Sans cela, un en-tête courant apparaît une fois par page au milieu de votre document.

Sauts de page

Conserve un saut explicite là où chaque page du PDF se terminait. Désactivé par défaut, car un document Word se recompose et un saut au milieu d'une phrase est pire que pas de saut du tout.

Là où la déduction renonce

• Les pages scannées. Un scan est une image de mots. Le retransformer en mots relève de l'OCR, que cet outil ne fait pas — ces pages sont reprises sous forme d'images pour que le document reste complet, et chacune est signalée dans le rapport.
• Les tableaux. Les tableaux à filets arrivent le plus souvent sous forme de texte, dans l'ordre de lecture. Distinguer un vrai tableau d'un texte simplement aligné relève de la devinette, et se tromper brouille le contenu au lieu de perdre seulement la grille.
• Le gras et l'italique. La graisse et l'inclinaison ne sont récupérables que si le PDF référençait une police au lieu de l'incorporer. Sinon, les titres ressortent tout de même en gras parce que ce sont des titres, et le texte courant ressort neutre.
• La page en tant qu'image. Word se recompose, le PDF non : le résultat reproduit donc la structure et non la position des pixels. Si c'est la mise en page visuelle qui compte, le PDF fait déjà ce travail.

Questions fréquentes

Comment un PDF peut-il devenir un fichier Word modifiable ?

Un PDF ne stocke pas de paragraphes : il stocke des glyphes à des coordonnées. Le convertisseur relit donc la géométrie : les caractères à la même hauteur forment une ligne, l'espacement entre les lignes décide où un paragraphe s'achève et où le suivant commence, et les lignes plus grandes que la moyenne deviennent des titres. Le résultat est un vrai .docx avec de vrais styles de paragraphe et de liste, et non un seul bloc de texte.

Cela fonctionne-t-il sur un PDF scanné ?

En partie seulement. Un scan contient des images de mots, pas des mots, et les relire demande de l'OCR, que cet outil ne fait pas. Les pages sans couche de texte sont reprises sous forme d'images afin que le document reste complet, et chacune est signalée pour que vous sachiez lesquelles il faudrait retaper.

Pourquoi la mise en page ne correspond-elle pas exactement au PDF ?

Parce qu'un document Word se recompose, contrairement à un PDF. Le convertisseur reproduit la structure — titres, paragraphes, listes, alignement, retraits — plutôt que la position des pixels, et c'est précisément ce qui rend le résultat modifiable. S'il vous faut la mise en page visuelle telle quelle, le PDF fait déjà ce travail.

Qu'advient-il des tableaux et des colonnes ?

Un tableau à filets revient généralement sous forme de texte, dans l'ordre de lecture, plutôt qu'en tableau Word : distinguer un vrai tableau d'un texte qui se trouve aligné relève de la devinette sans les bordures, et se tromper brouille le contenu. Les pages sur plusieurs colonnes sont lues colonne par colonne quand l'espacement rend les colonnes évidentes, et de gauche à droite sinon.

Puis-je ne convertir qu'une partie du document ?

Oui. Indiquez une première et une dernière page dans la barre d'outils et seule cette plage sera lue. Cela vaut la peine sur un long rapport : l'essentiel du temps de conversion part dans l'analyse de pages dont vous n'avez peut-être pas besoin.

À quoi servent les réglages d'en-têtes et de numéros de page ?

Un en-tête ou un pied de page courant se répète sur chaque page du PDF et apparaîtrait sinon des dizaines de fois au milieu de votre document Word. Avec le retrait activé, les lignes qui se répètent en haut ou en bas de la plupart des pages, et celles qui ne sont qu'un numéro de page, sont écartées.