Pourquoi le texte copié d'un PDF se coupe à chaque ligne

Le texte copié d'un PDF se coupe à chaque ligne parce qu'un PDF ne stocke pas les paragraphes. Il enregistre chaque ligne visible comme un morceau de texte distinct, placé à une position fixe sur la page. Au moment de la copie, le logiciel doit donc deviner où une phrase se termine vraiment. La plupart des outils devinent en ajoutant un saut de ligne à chaque endroit où la ligne d'origine se terminait, et votre paragraphe se transforme en dizaines de lignes courtes.

Corriger un texte colléLe texte collé a des lignes coupéesEssayer gratuitement

Pourquoi les PDF cassent les paragraphes

Un traitement de texte enregistre un paragraphe comme une seule longue suite de texte, et le moteur de mise en page le renvoie à la largeur de la page lors de l'affichage. Un PDF fonctionne à l'inverse. Il se rapproche d'une série d'instructions de dessin : placer cette suite de mots ici, placer la suite suivante là. La répartition des lignes a été décidée au moment de la création du fichier, et le fichier conserve les positions des lignes plutôt que la structure des paragraphes.

Lorsque vous sélectionnez et copiez, le logiciel de lecture doit reconstruire un flux de texte à partir de ces positions. Beaucoup d'outils insèrent un saut de ligne à chaque fin de ligne visible, et ils ne savent pas toujours distinguer une fin de ligne au milieu d'une phrase de la fin d'un vrai paragraphe. Le résultat est correct à l'écran, mais faux dans une zone de texte.

Trois autres causes aggravent le problème :

• Les mots coupés par un tiret en fin de ligne. Un mot découpé en « inter- » à la fin d'une ligne, puis « national » au début de la suivante, est copié en deux morceaux séparés par un saut de ligne. Certains outils gardent le tiret, d'autres le suppriment, et d'autres laissent la coupure en place.
• Les colonnes. Les mises en page sur deux colonnes peuvent copier toute la colonne de gauche avant celle de droite, ou mélanger les lignes des deux colonnes dans une même suite.
• En-têtes, pieds de page et numéros de page. Ils se retrouvent au milieu d'une phrase lorsqu'un paragraphe traverse un saut de page.

La solution

La réparation tient en quelques règles simples, à appliquer dans l'ordre :

1. Joindre les lignes qui ne terminent pas une phrase. Si une ligne finit par une minuscule, une virgule ou un mot sans point final, la ligne suivante prolonge presque toujours la phrase.
2. Garder un saut de ligne là où l'original présentait un espace entre paragraphes. Une ligne qui se termine par un point, un point d'interrogation ou deux-points, et qui est suivie d'une ligne courte ou en retrait, commence souvent un nouveau paragraphe.
3. Supprimer le tiret en fin de ligne uniquement lorsqu'il coupe un seul mot. « inter- » suivi de « national » devient « international ». Un vrai mot composé comme « peut- » suivi de « être » doit devenir « peut-être », donc vérifiez le mot reconstitué dans la phrase.
4. Supprimer les en-têtes, pieds de page et numéros de page répétés qui apparaissent une fois par page.

Voici un exemple. Voilà souvent à quoi ressemble une copie :

The committee met on Tuesday to review
the budget. Three members asked for more
time, and the chair agreed to a short delay.

Après avoir joint les lignes qui prolongent une phrase, le texte devient :

The committee met on Tuesday to review the budget. Three members asked for more time, and the chair agreed to a short delay.

Collez la copie dans corriger un texte collé et les jointures sont faites en une seule passe. Vérifiez ensuite la présence de caractères invisibles arrivés avec la copie. Supprimer les caractères invisibles affiche ce qu'il trouve avant de modifier quoi que ce soit, et le guide des caractères invisibles explique d'où ils viennent.

Colonnes et tableaux

Les colonnes sont le cas le plus délicat. Le plus sûr est de sélectionner une colonne à la fois, plutôt que de tirer la sélection sur les deux. Si le PDF suit un ordre de lecture unique, copiez la page entière une fois, puis vérifiez la première et la dernière ligne de chaque colonne. Si les mots des deux colonnes sont mélangés, il faudra copier par morceaux.

Les tableaux sont pires. Un tableau copié depuis un PDF arrive souvent avec une cellule par ligne. Il faut alors reconstruire les lignes vous-même, ou coller dans un tableur en utilisant une tabulation ou un séparateur fixe. Pour un tableau de plus de quelques lignes, il est plus rapide d'utiliser un outil d'extraction de texte qui conserve les colonnes, puis de nettoyer le résultat.

Lorsque le PDF est un scan

Si le PDF est un scan, il n'y a pas de texte à copier. Chaque page est une image, donc ce que vous voyez est tout ce qui existe. Il faut d'abord une reconnaissance optique de caractères (OCR). Faites une image de la page, puis lisez-la avec l'outil image vers texte, qui fonctionne dans votre navigateur. L'OCR produit ses propres erreurs, par exemple « rn » lu « m » ou « 0 » lu « O ». Vérifiez donc le texte reconnu par rapport à l'original avant de vous y fier. Le guide des captures d'écran et photos explique comment obtenir une lecture plus propre.

Cas particuliers

• Les poèmes, le code et les adresses ont des sauts de ligne qui comptent. Ne joignez que les lignes manifestement coupées par le retour automatique, et laissez le reste tel quel.
• Un retour souple (un passage à la ligne automatique) et un retour dur (un vrai paragraphe) peuvent sembler identiques une fois copiés. Relisez le premier paragraphe après nettoyage, et corrigez les jointures qui semblent fausses.
• Si le texte nettoyé ne correspond pas quand vous recherchez un mot que vous voyez à l'écran, la copie a probablement entraîné des caractères invisibles. Comparez la copie avec l'original pour repérer les différences.
• Si vous devez conserver la mise en page d'origine, collez dans un éditeur de documents qui propose une option « coller en texte brut », plutôt que de tout nettoyer à la main.

Comment faire avec fixmint

1. Copiez le texte depuis le PDF, ou utilisez PDF vers texte pour extraire d'abord le texte du fichier.
2. Collez-le dans le champ Texte collé de l'outil corriger un texte collé.
3. Laissez cochées Joindre les lignes coupées à l'intérieur des paragraphes et Recoller les mots coupés par un tiret en fin de ligne, comme elles le sont par défaut. Cochez Redresser les guillemets courbes si le texte vient d'un traitement de texte, et Supprimer les lignes qui ne contiennent qu'un numéro de page si la copie comprend des numéros de page.
4. Relisez la première et la dernière ligne de chaque paragraphe. L'outil supprime les lignes de numéros de page, mais pas les en-têtes ou pieds de page répétés, que vous devrez donc supprimer à la main.
5. Copiez le résultat, ou utilisez Télécharger en .txt.

Réponses rapides

Pourquoi le texte copié d'un PDF a-t-il un saut de ligne à chaque ligne ?

Un PDF enregistre chaque ligne visible comme un morceau de texte positionné séparément, donc la copie conserve les fins de ligne. La solution consiste à joindre les lignes qui prolongent une phrase et à ne garder les sauts de ligne qu'aux vrais espaces entre paragraphes.

Comment empêcher les mots avec trait d'union de se couper ?

Supprimez le tiret uniquement lorsque les deux morceaux forment un seul mot, comme « inter- » et « national ». Gardez-le dans les vrais mots composés comme « peut-être », que vous pouvez vérifier dans la phrase.

Peut-on copier un tableau d'un PDF dans un tableur ?

Souvent, mais généralement seulement avec une copie séparée par des tabulations ou à largeur fixe. Pour les tableaux qui comptent beaucoup de lignes, un outil d'extraction de texte qui conserve les colonnes est plus rapide que de corriger chaque cellule.