Comment convertir un PDF en Word

Un PDF ne stocke pas de paragraphes. Il stocke des glyphes : des caractères isolés, chacun avec une référence de police et une position sur la page. Il n'y a ni phrase, ni titre, ni liste ; c'est votre œil qui les assemble à partir des espaces. Tous les convertisseurs PDF vers Word qui existent, le nôtre compris, font donc de la reconstruction et non de la traduction : ils lisent des milliers de glyphes positionnés et devinent lesquels appartiennent à la même ligne, quelles lignes forment un paragraphe et quel paragraphe était censé être un titre. Comprendre ce seul fait explique presque tout ce que vous observez : pourquoi un rapport propre se convertit magnifiquement, pourquoi un article universitaire sur deux colonnes ressort entrelacé et pourquoi un contrat scanné produit un document vide quel que soit l'outil.

Ce que le convertisseur lit réellement

La couche texte d'un PDF est une liste d'opérations de dessin. Chacune dit en substance : place cette chaîne de glyphes de cette police à ces coordonnées x et y, à cette taille. Le convertisseur parcourt cette liste et commence à regrouper. Les glyphes qui partagent une ligne de base à une petite tolérance près forment une ligne. Les lignes dont l'écart vertical correspond à l'interligne environnant forment un paragraphe ; un écart nettement plus grand le termine. La taille et la graisse de la police, comparées au corps de texte le plus fréquent de la page, décident de ce qui devient un titre : une ligne quarante pour cent plus grande suivie d'un paragraphe normal est presque à coup sûr un titre, et elle est écrite dans le .docx comme tel et non comme du gras. Les puces ou les numéros en début de ligne, suivis d'un retrait constant en dessous, deviennent des éléments de liste. Rien de tout cela n'est stocké dans le fichier ; tout est inféré, et c'est cette inférence qui sépare un résultat exploitable d'un mur de lignes détachées.

Là où la reconstruction échoue

Trois mises en page cassent ces hypothèses. Les pages multicolonnes sont le cas classique : deux colonnes côte à côte partagent des lignes de base, si bien qu'un lecteur naïf recoud la ligne de gauche avec celle de droite et produit du charabia. Il faut détecter la gouttière et lire chaque colonne jusqu'en bas avant de passer à l'autre. Les tableaux sont le deuxième cas : un tableau, ce sont des textes à des coordonnées plus, parfois, des filets — souvent sans aucun filet, si bien qu'un tableau et une liste de chiffres bien alignée sont identiques pour l'analyseur. Le troisième cas, ce sont les titres numérotés. Une ligne commençant par « 1. Objet du contrat » ressemble exactement au premier élément d'une liste numérotée, et l'ordre des deux tests à l'intérieur du convertisseur décide de ce que vous obtenez. Nous sommes tombés dedans et avons dû placer le test de titre avant celui de liste, car dans les documents que les gens convertissent réellement, un titre numéroté est bien plus fréquent qu'une liste d'un seul élément.

Les PDF scannés ne donnent rien, et c'est honnête

Si la page vient d'un scanner ou de l'appareil photo d'un téléphone, elle contient une grande image et aucune couche de texte. Il n'y a pas de glyphes à regrouper, donc rien à reconstruire. L'outil a deux options : rendre un document vide, ou lancer une reconnaissance optique de caractères pour inventer du texte à partir des pixels. Nous ne faisons pas d'OCR, donc nous refusons le fichier en expliquant pourquoi, plutôt que de vous tendre un .docx avec trois pages blanches. Cela compte plus qu'il n'y paraît : sur un petit échantillon de documents réels que nous avons testés, trois PDF lisibles sur cinq se sont révélés être des scans. Si le vôtre est dans ce groupe, l'étape honnête est un outil d'OCR, et il faut traiter sa sortie comme un brouillon à relire et non comme du texte récupéré : l'OCR devine des caractères à partir de formes, et se tromper avec assurance est son mode de défaillance habituel.

Polices, encodage et le problème des caractères cassés

Il existe une seconde défaillance, plus silencieuse : la table de correspondance des caractères. Un PDF peut embarquer un sous-ensemble de police avec sa propre numérotation interne et fournir une table qui ramène ces numéros vers de vrais caractères. Quand cette table manque ou est fausse — courant dans les fichiers issus de vieux logiciels de composition et dans les documents dont les accents ont été substitués à l'impression — le texte extrait ressort comme un charabia crédible : bonnes formes de mots, mauvaises lettres. Le convertisseur ne peut pas réparer cela à partir du fichier, car l'information n'y est tout simplement pas. Le signe : ce même document ne se cherche pas correctement dans un lecteur PDF. Faites Ctrl+F sur un mot que vous voyez clairement à l'écran ; si le lecteur ne le trouve pas non plus, la correspondance est cassée et tous les outils produiront la même bouillie. Dans ce cas, ce qu'il vous faut, c'est le document source, pas le PDF.

Vérifier le résultat avant de s'y fier

Ouvrez le .docx et contrôlez quatre choses dans l'ordre. Premièrement : le texte s'enchaîne-t-il dans le bon ordre ? Lisez la première page en entier, car les erreurs de colonnes y sautent aux yeux et passent inaperçues en survolant. Deuxièmement : les titres sont-ils de vrais titres ? Cliquez sur l'un d'eux et regardez la zone de style ; s'il indique Titre 1, vous pouvez reconstruire une table des matières, s'il indique Normal, vous n'avez que du gras. Troisièmement : regardez les tableaux et vérifiez qu'aucune valeur n'a glissé d'une colonne. Quatrièmement : recherchez un nombre dont vous savez qu'il se trouve au milieu du document — un total, une date, une ligne de facture — et confirmez qu'il a survécu, car le contenu perdu est la défaillance qui coûte le plus et se voit le moins. Notre propre suite de vérification exécute exactement ce dernier contrôle à chaque build, précisément parce que c'est celui qu'un relecteur humain saute.

Quels documents se convertissent bien

Une règle pratique : si le document est né numérique dans un traitement de texte ou un système administratif et qu'il est sur une seule colonne, le résultat est en général directement modifiable. Contrats, courriers officiels, attestations, relevés bancaires et rapports entrent dans ce groupe. Les brochures très graphiques, les pages de magazine, les articles sur deux colonnes et les fichiers de mise en page ne sont récupérés que comme texte, pas comme mise en forme : refaire la mise en page vous revient. Le moyen le plus rapide de savoir dans quel groupe se situe un document est d'essayer de sélectionner une phrase avec le curseur dans un lecteur PDF : si la phrase se sélectionne, il y a une couche de texte et la conversion est possible ; si toute la page se sélectionne d'un bloc, vous avez une image.