Comment convertir un PDF en Markdown
PDF et Markdown se situent aux deux extrémités du spectre documentaire. Le PDF fige chaque glyphe à une position précise de la page, pour un rendu identique partout ; Markdown est du texte brut qui décrit une structure et laisse le lecteur décider de la mise en page. Convertir de l'un à l'autre, c'est reconstruire une structure que le fichier PDF n'a jamais stockée.
Ce guide explique ce que cette reconstruction peut et ne peut pas récupérer, comment convertir un PDF avec le convertisseur en navigateur de ce site, ce que change l'interrupteur d'optimisation LLM, et dans quelles situations un convertisseur est tout simplement le mauvais outil.
Pourquoi PDF et Markdown sont des opposés
Un PDF est un descendant de l'imprimerie : il consigne qu'un glyphe se trouve à la coordonnée x, y, dans une police et une taille données. Rien dans le fichier n'indique « ceci est un titre » ou « ces trois colonnes forment un tableau ». La structure que vous voyez à l'écran a été reconstruite par l'application de lecture ; le fichier ne stocke que l'encre.
Markdown fait l'inverse. Il ne stocke presque rien sur l'apparence et tout sur la structure : une ligne qui commence par des croisillons est un titre, des barres verticales délimitent un tableau, l'indentation imbrique une liste. Le moteur de rendu décide des polices et des espacements.
Un convertisseur PDF vers Markdown est donc en réalité un détecteur de structure. Il lit du texte positionné, repère quelles lignes étaient composées plus grandes et plus grasses, quels espaces séparent les paragraphes, quels filets s'alignent en grille, et exprime ces constats en syntaxe Markdown. La qualité d'un convertisseur, c'est la qualité de cette détection.
Ce qu'une bonne conversion préserve
L'ordre de lecture vient en premier. Les PDF, surtout les mises en page à deux colonnes, stockent le texte dans un ordre qui n'a rien à voir avec la lecture humaine. Un convertisseur doit suivre le flux visuel : toute la colonne de gauche, puis celle de droite, les titres dans l'ordre, les paragraphes à la suite. Si cette étape échoue, le résultat est un charabia grammaticalement intact.
Viennent ensuite les niveaux de titre. Corps de texte, légendes et titres diffèrent par la taille et la graisse de la police, et un convertisseur traduit ces différences en #, ## et ###. Une correspondance parfaite est impossible quand le graphiste a utilisé du gras 13 points pour le corps de texte, mais la plupart des documents réels suivent des conventions constantes que le détecteur peut repérer.
Les frontières de paragraphes comptent plus qu'il n'y paraît. Un saut de ligne PDF survient là où la ligne se terminait sur la page, pas là où la phrase se termine. Ressouder ces lignes en paragraphes d'une seule ligne, c'est ce qui sépare un Markdown que vous pouvez éditer d'un Markdown à réparer ligne par ligne.
Convertir un PDF avec cet outil
Le convertisseur fonctionne entièrement dans votre navigateur : le moteur d'analyse PDF est du WebAssembly compilé depuis Rust, et votre fichier ne quitte jamais l'appareil. Déposez un ou plusieurs fichiers .pdf sur la page ; chacun est converti en Markdown à tour de rôle, avec les résultats dans un panneau d'aperçu accompagnés d'avertissements pour tout ce qui est suspect.
Un avertissement à connaître avant de commencer : les pages sans texte extractible, typiquement des numérisations ou des photos de pages, ne produisent rien, et l'outil vous indique les numéros de page concernés au lieu de vous remettre en silence un document à moitié vide. Ce cas a son propre article, car la correction se fait avant la conversion, pas pendant.
Une fois la conversion terminée, téléchargez directement le fichier Markdown, ou convertissez plusieurs PDF et récupérez-les dans une seule archive. Tout se passe en local : pas de limite de taille au-delà de la mémoire de votre appareil, et aucune file d'attente.
L'interrupteur d'optimisation LLM
Par défaut, le texte produit est renvoyé à la ligne pour rester dans une largeur lisible, comme le font pandoc et la plupart des outils texte depuis des décennies. Ce retour à la ligne est invisible dans le rendu, mais il coûte des tokens et complique les diffs pour les consommateurs machines.
L'interrupteur d'optimisation LLM désactive ce retour à la ligne : chaque paragraphe devient une seule longue ligne. Si vous alimentez ChatGPT, Claude ou un modèle local avec vos documents, les paragraphes d'une ligne se tokenisent un peu plus efficacement, se découpent proprement aux frontières de paragraphes et produisent des diffs propres quand le document source change.
L'interrupteur bascule aussi le profil d'extraction du moteur PDF en mode compact, qui préfère une sortie concise et dépouillée à une verbosité fidèle à la mise en page. Activez-le dès que la destination est un modèle ; laissez-le éteint quand la destination est un humain qui édite le fichier dans un éditeur qui renvoie de toute façon les lignes à la ligne.
Les tableaux : la partie difficile
Les tableaux méritent leur propre article, car ils sont vraiment l'objet le plus difficile de la chaîne. Le format PDF n'a pas de notion de tableau ; un tableau n'est que des glyphes disposés en lignes et colonnes, parfois avec des filets tracés entre eux, parfois avec rien d'autre que l'alignement.
Ce convertisseur applique une reconnaissance de structure tabulaire à ces dispositions et émet des tableaux à barres verticales à la GitHub. Les tableaux simples avec filets, ceux qui ont un trait sous l'en-tête et entre les lignes, passent généralement intacts. Les tableaux sans bordures, les en-têtes multiniveaux et les cellules fusionnées sont les endroits où l'information se perd ou s'aplatit ; la section sur les tableaux de la FAQ détaille le sujet.
Le conseil pratique : attendez-vous à l'exactitude sur des données tabulaires propres, et vérifiez tout ce qui est numérique. Un tableau au rendu magnifique peut avoir décalé une seule cellule, et aucune inspection visuelle du Markdown ne le révèle. Comparez quelques cellules avec l'original avant de faire confiance à un tableau converti en production.
Au-delà de Markdown : HTML, RST et LaTeX
Markdown est la destination par défaut, mais la même chaîne peut transmettre sa sortie à une seconde étape qui fait tourner le moteur pandoc : c'est ainsi que le site produit du reStructuredText et du LaTeX à partir d'une source PDF. Le moteur PDF produit du Markdown, et pandoc lit ce Markdown et écrit le format demandé.
Il y a une raison pour laquelle la chaîne passe par Markdown au lieu de convertir directement. Markdown est l'intermédiaire le plus robuste : le lecteur Markdown de pandoc en reconstruit un modèle de document abstrait, et ce modèle alimente tous les autres writers. Un saut de plus, un chemin éprouvé.
Utilisez la sortie HTML pour coller du contenu rendu dans une page web ou un e-mail, RST pour la documentation Sphinx, LaTeX pour les articles. Mais pour la plupart des sources PDF, le Markdown brut est le livrable, et les autres formats sont des commodités plutôt que l'objectif.
Quand la conversion est un mauvais choix
Certains PDF sont carrément la mauvaise entrée. Les formulaires remplissables portent leurs données dans des structures de champs, pas dans du texte continu : la conversion donne les étiquettes sans les réponses. Les documents très graphiques, les rapports annuels dont les graphiques sont le contenu principal, et tout ce dont la disposition visuelle porte le sens, comme la poésie aux sauts de ligne délibérés, ressortiront aplatis.
Certificats, pièces d'identité numérisées et diapositives très visuelles sont des documents images déguisés en PDF. Aucune logique de conversion n'extrait du texte stocké en pixels ; cela exige de l'OCR, une étape de prétraitement que cet outil laisse délibérément aux logiciels dédiés.
Pour tout le reste — contrats, articles, rapports, documentation, pages de manuel —, la conversion fonctionne, et souvent bien. Le moyen le plus rapide de savoir de quel côté tombe votre document est de le convertir une fois et de lire les avertissements : une exécution propre, sans page signalée, est un signal fort que la sortie est utilisable telle quelle.