Le PDF est-il vraiment un format non modifiable ?

Techniquement, le PDF est un format modifiable, mais il n'a pas été conçu dans une optique d'édition. Le format se compose de commandes de tracé décrivant l'aspect de la page ; lorsque vous voulez changer un mot, il n'existe pas de flux de texte, si bien que les mots suivants ne se replacent pas d'eux-mêmes. C'est pourquoi les éditeurs PDF se limitent généralement à de petites interventions. Si vous devez apporter des modifications importantes à un document, transférer le contenu vers un format fluide, c'est-à-dire un document Word, est bien plus efficace.

Comment le convertisseur trouve-t-il le texte, lit-il une image de la page ?

Avec les PDF textuels, le convertisseur ne regarde jamais l'image de la page. Dans le fichier PDF, le texte est stocké sous forme de commandes de tracé, et chaque commande précise quels caractères sont dessinés à quelles coordonnées, dans quelle police et quelle taille. Le convertisseur lit ces commandes, rassemble les caractères avec leurs coordonnées, puis regroupe les plus proches en mots, les mots en lignes et les lignes en paragraphes. Le traitement d'image, c'est-à-dire l'OCR, n'intervient que pour les fichiers numérisés dépourvus de couche de texte.

Pourquoi le même PDF donne-t-il des résultats différents selon les outils ?

Parce que l'étape décisive de la conversion, la déduction de structure, relève de l'estimation et que chaque outil suit une stratégie d'estimation différente. Des décisions telles que la largeur que doit atteindre l'espace entre deux blocs de texte pour qu'ils comptent comme des paragraphes distincts, ou le motif d'alignement qui vaut tableau, sont prises avec des seuils différents dans chaque application. C'est pourquoi vous ne verrez presque aucune différence entre les outils sur un document simple, alors que les résultats divergent nettement sur un document multicolonne ou aux tableaux complexes.

Pourquoi le texte que je copie depuis certains PDF arrive-t-il sous forme de caractères incohérents ?

Cela tient au fait que la table de correspondance des caractères de la police du PDF est incomplète ou corrompue. Dans un PDF, les caractères sont en réalité stockés sous forme de numéros d'index au sein du fichier de police, et il doit exister une table indiquant à quelle lettre réelle correspond chaque numéro. Certains programmes producteurs écrivent cette table de façon incomplète, voire pas du tout. La page s'affiche correctement à l'écran parce que les bonnes formes sont tracées, mais en copiant le texte vous obtenez des caractères sans signification. Avec de tels fichiers, la seule solution consiste à traiter la page comme une image et à appliquer l'OCR.

Comment fonctionne vraiment la conversion PDF vers Word ? Le contexte technique

Deux formats, deux philosophies radicalement différentes

L'écart entre un PDF et un document Word est bien plus profond que la plupart des gens ne l'imaginent. Comprendre cet écart, c'est aussi détenir la clé de ce qui se produit pendant la conversion, et pourquoi.

Un document Word définit un modèle de contenu. Le fichier renferme des informations de ce type : il y a ici un titre de premier niveau, suivi de trois paragraphes, puis commence un tableau à trois colonnes. Le document ne dit pas ce qui est tracé et où sur la page ; il énonce la structure du contenu et laisse le placement au programme. C'est pourquoi, lorsque vous ajoutez une phrase à un paragraphe, tout ce qui suit descend de lui-même, et le texte se remet en forme quand vous modifiez les marges.

Un PDF, à l'inverse, définit une image de page. Le fichier renferme des commandes de ce type : avec du Helvetica corps 72, trace les caractères suivants au point situé à 90 unités à droite et 700 unités au-dessus du coin inférieur gauche de la page. Puis trace d'ici à là un trait d'épaisseur 0,5. Dans l'univers du PDF, il n'existe pas de paragraphe, pas de tableau, et souvent même pas de mot. Il n'y a que des caractères et des formes tracés à des coordonnées précises.

Ce choix de conception donne au PDF sa plus grande force : quel que soit l'appareil ou le système d'exploitation sur lequel vous ouvrez le fichier, la page a exactement la même allure. Ce même choix rend l'édition extrêmement ardue.

Le processus de conversion : une reconstruction en trois étapes

Lorsqu'un convertisseur transforme un PDF en document Word, il accomplit en réalité trois tâches distinctes.

Étape 1 : l'extraction

Les commandes de tracé contenues dans le PDF sont d'abord lues, et chaque fragment de texte est collecté avec ses propres informations : quels caractères, à quelles coordonnées, dans quelle police, à quel corps, dans quelle couleur. Ce que l'on obtient à l'issue de cette étape n'est pas encore un document, mais des centaines voire des milliers de petits fragments de texte dispersés sur la page. Cette étape se déroule généralement sans encombre, car le travail consiste à lire une information déjà explicitement inscrite dans le fichier.

Étape 2 : la déduction de structure

C'est ici que réside la véritable difficulté, et c'est précisément cette étape qui détermine la qualité de la conversion. Le convertisseur dispose de fragments de texte accompagnés de leurs coordonnées et doit en dégager une structure documentaire logique.

L'algorithme cherche des réponses à des questions de ce genre. Deux caractères voisins appartiennent-ils au même mot, ou l'espace entre eux marque-t-il une frontière de mot ? Deux lignes superposées sont-elles la suite du même paragraphe, ou un nouveau paragraphe commence-t-il ? Le texte de la moitié gauche de la page et celui de la moitié droite forment-ils deux colonnes distinctes, ou deux cellules d'un large tableau ? Pourquoi cette ligne est-elle composée dans un corps plus grand que les autres, doit-elle être un titre ?

Le point à retenir est le suivant : aucune de ces réponses n'est inscrite dans le fichier. Ce sont toutes des déductions faites à partir des coordonnées et des informations de mise en forme. Un être humain qui regarde la page voit cette structure instantanément, parce qu'il possède une intuition, forgée au fil des ans, de la manière dont les documents s'organisent. Un algorithme, lui, décide uniquement à l'aide de seuils numériques, et ces seuils se trompent parfois.

Étape 3 : la reconstitution

La structure déduite est réécrite sous une forme que Word comprend. Ce qui a été reconnu comme paragraphe devient paragraphe, ce qui a été reconnu comme tableau devient tableau, et ce qui a été reconnu comme titre est créé avec un style de titre. Les images sont extraites et placées dans le document. Cette étape comporte elle aussi un compromis : soit le convertisseur privilégie la ressemblance visuelle et imite fidèlement la page en plaçant tout dans des zones de texte, soit il privilégie la modifiabilité et produit des paragraphes fluides. Le premier ressemble davantage à l'original à l'écran mais se modifie difficilement ; le second se modifie aisément mais s'écarte un peu visuellement.

Pourquoi aucune conversion n'est-elle parfaite ?

De tout ce qui précède découle ceci : la perte lors de la conversion n'est pas un manque du logiciel, mais un manque d'information. La structure des paragraphes, la disposition des colonnes ou la définition des tableaux sont souvent tout bonnement absentes du fichier PDF. Un convertisseur ne peut pas lire une information qui n'existe pas ; il ne peut que la deviner.

C'est pourquoi la qualité de conversion est directement liée à la complexité du document source. Un contrat composé de texte sur une colonne et de paragraphes ordinaires se convertit quasiment à l'identique, car il y a très peu à deviner. Une brochure de design aux cadres imbriqués, aux images de fond et au texte s'écoulant dans plusieurs directions laisse en revanche beaucoup à deviner, et chaque estimation comporte une marge d'erreur.

Il existe encore une catégorie d'exception : le PDF balisé. La norme PDF autorise l'intégration de balises structurelles dans le fichier ; ces balises indiquent explicitement quel texte est un titre et lequel est une cellule de tableau. Les documents d'entreprise produits selon des exigences d'accessibilité comportent ces balises, et la qualité de conversion s'améliore nettement puisqu'il n'est plus nécessaire de deviner. Malheureusement, la grande majorité des PDF rencontrés en pratique sont dépourvus de balises.

PDF numérisé : un problème entièrement différent

Tout ce qui vient d'être décrit valait pour les PDF contenant du texte réel. Avec un document numérisé, la situation change radicalement : il n'y a aucune commande de texte à lire dans le fichier ; il n'y a qu'une photographie de la page.

Avec ces fichiers, l'OCR, c'est-à-dire la reconnaissance optique de caractères, doit intervenir en premier. L'OCR analyse les motifs de pixels de l'image pour reconnaître les lettres et les transformer en texte réel. C'est une opération indépendante de la conversion, dotée de sa propre marge d'erreur. La précision de reconnaissance dépend de la résolution de numérisation, du bon alignement de la page, de la propreté du papier et de la lisibilité de la typographie. L'écriture manuscrite, une numérisation à faible résolution ou une photo de téléphone prise de travers engendrent des taux d'erreur importants.

Par conséquent, avec un document numérisé, deux sources d'erreur se superposent : d'abord les erreurs de reconnaissance de l'OCR, puis les erreurs d'interprétation de la déduction de structure. Avec de tels fichiers, relire le résultat en le confrontant à l'original est indispensable, surtout lorsque des chiffres et des noms propres sont en jeu.

À quoi sert cette connaissance en pratique ?

Savoir comment fonctionne la conversion vous permet d'aborder le résultat avec les bonnes attentes. Lorsque vous constatez une rupture sur une page complexe, vous savez qu'elle était inévitable et qu'essayer un autre outil ne donnera généralement pas un résultat foncièrement différent. À l'inverse, si vous constatez une rupture sur un document simple, il y a probablement un problème particulier dans le fichier, comme une correspondance de police défectueuse, et cela vaut la peine d'y regarder de plus près.

Cette même connaissance vous aide aussi à bien organiser les choses dès le départ. Si vous produisez vous-même le document et savez qu'il devra être modifié plus tard, conserver le fichier source original vaut mieux que n'importe quelle conversion. La conversion est une voie de secours conçue pour les cas où l'original vous est inaccessible, et elle remplit fort bien cet office. Si vous souhaitez l'essayer sur votre propre fichier, vous pouvez utiliser l'outil de conversion de PDF en Word.

En résumé

Un PDF est une image de page figée, un document Word un modèle de contenu fluide. La conversion consiste à reconstituer, à partir de coordonnées fixes, une structure qui n'existe pas. L'extraction du texte est fiable ; la déduction de structure comporte une marge d'erreur qui varie selon la complexité du document. Avec les documents simples, le résultat frôle la perfection ; avec les pages très travaillées graphiquement, une reprise manuelle s'impose ; et avec les documents numérisés, l'OCR ajoute une couche d'erreur supplémentaire. Travailler en connaissance de cause vous permet d'employer la conversion au bon endroit et d'examiner le résultat avec le bon regard.