Comment extraire du texte d’un document PDF

Les documents PDF sont couramment utilisés pour contenir de longues quantités de texte, en particulier pour des questions formelles telles que des contrats ou des conditions générales. Ces documents PDF peuvent s’avérer difficiles à manier dans certains scénarios, car une application de lecture PDF est nécessaire pour les ouvrir et un éditeur PDF doit être utilisé pour modifier le contenu.

Dans de nombreux cas, un fichier texte brut est tout simplement plus facile à utiliser. Heureusement, nous pouvons facilement convertir le texte d’un PDF en un fichier texte brut normal sur la ligne de commande Linux. Dans ce tutoriel, vous allez apprendre à extraire le texte d’un document PDF sur un système Linux.

Dans ce tutoriel, vous allez apprendre :

• Comment installer la commande pdftotext sur toutes les principales distributions Linux
• Comment utiliser la commande pdftotext pour extraire du texte d’un PDF

Installer la commande pdftotext sur les principales distributions Linux

Nous sommes en mesure d’utiliser la commande Linux pdftotext afin d’extraire le texte d’un document PDF. Cette commande est normalement installée par défaut, mais si ce n’est pas le cas, elle est fournie par le progiciel Poppler. Vous pouvez utiliser la commande appropriée ci-dessous pour installer pdftotext avec le gestionnaire de paquets de votre système.

Pour installer pdftotext sur Ubuntu, Debian et Linux Mint :

sudo apt install poppler-utils

Pour installer pdftotext sur Fedora, CentOS, AlmaLinux et Red Hat :

sudo dnf install poppler

Pour installer pdftotext sur Arch Linux et Manjaro :

sudo pacman -S poppler

Exemples de commandes pdftotext

1. Utilisez la commande pdftotext suivie du nom de votre fichier de document PDF comme argument.

   
   pdftotext document.pdf
   

   Votre fichier texte sera créé avec le même nom de fichier, juste une extension .txt. En d’autres termes, document.pdf verrait son texte extrait dans le fichier texte document.txt.

2. Si vous souhaitez uniquement extraire du texte d’une certaine plage de pages, nous pouvons utiliser les options -f et -l pour spécifier la première page et la dernière page que nous voulons extraire, respectivement (et toutes les pages intermédiaires). Par exemple, pour extraire tout le texte de la page 3 à la page 9 :

   
   pdftotext -f 3 -l 9 document.pdf
   

   Notre fichier texte brut document.txt contiendra désormais le même texte que celui des pages 3 à 9.

3. Si vous trouvez que votre fichier texte brut est structuré de manière étrange, vous pouvez demander à pdftotext de conserver la mise en page d’origine autant que possible en fournissant l’option -layout. Par défaut, pdftotext essaiera d’annuler certaines structurations comme les colonnes, qui ne se traduisent pas bien en texte brut.

   
   pdftotext -layout document.pdf
   

4. Il existe d’autres options disponibles, mais celles-ci ne couvriraient que des scénarios de niche et ne nécessitent pas beaucoup d’élaboration. Consultez la page d’aide pour une liste complète avec cette commande :

   
   pdftotext -h
   

   Ou plus d’explication des options disponibles...

   
   man pdftotext
   

Réflexions finales

Dans ce tutoriel, nous avons vu comment extraire du texte d’un document PDF sur un système Linux. Cela impliquait l’installation de la commande pdftotext, qui est l’utilitaire indispensable sur Linux pour une tâche telle que l’extraction de texte à partir de fichiers PDF. Nous avons également appris à modifier la structure de sortie de nos fichiers texte, car il est souvent impossible de conserver la même mise en page du PDF au texte brut.