PDF vers Markdown

Pourquoi convertir un PDF en Markdown

Un PDF est un format de mise en page, pensé pour l'impression et l'affichage fidèle, pas pour la manipulation de texte. Dès qu'un document doit être retravaillé, résumé, indexé ou interrogé par un système automatisé, cette rigidité devient un obstacle : extraire un paragraphe, retrouver une structure de titres ou simplement copier un tableau sans que les colonnes se mélangent est souvent plus pénible qu'il n'y paraît. Le Markdown répond à un besoin inverse : du texte brut, lisible tel quel, avec une structure de titres explicite (#, ##, ###) qu'un humain comme une machine peuvent parser sans ambiguïté.

Le cas d'usage le plus fréquent aujourd'hui est l'alimentation d'un assistant conversationnel ou d'un pipeline de type RAG (retrieval-augmented generation). Coller un PDF entier dans Claude ou ChatGPT fonctionne, mais le texte brut qu'ils en extraient conserve souvent les artefacts de mise en page du PDF : numéros de page insérés au milieu d'une phrase, colonnes fusionnées, en-têtes répétés sur chaque page. Un document converti en Markdown propre, avec ses titres correctement hiérarchisés, s'interprète beaucoup mieux par un modèle de langage : le découpage en sections devient un signal structurel exploitable, pas du bruit à filtrer.

Le Markdown a deux autres avantages moins spectaculaires mais tout aussi concrets. C'est un format texte, donc versionnable dans un dépôt git au même titre que du code : on voit exactement ce qui a changé entre deux versions d'une documentation, ce qu'un PDF binaire ne permet jamais. Et c'est le format d'entrée natif de la plupart des outils de prise de notes et de publication actuels (Obsidian, un site statique généré à partir de fichiers Markdown, un wiki interne), ce qui en fait un point de passage obligé pour migrer un fonds documentaire PDF vers ces environnements.

Comment fonctionne cet outil

Ce convertisseur s'appuie sur pdf.js, la bibliothèque open source développée par Mozilla pour afficher des PDF dans un navigateur, ici détournée pour en extraire le contenu textuel plutôt que le rendu visuel. Le traitement se déroule intégralement côté client : le fichier est lu en mémoire par votre navigateur, jamais transmis à un serveur, jamais stocké nulle part. Pour un document confidentiel (contrat, rapport interne, note financière non publiée), cette architecture change la donne par rapport à la plupart des convertisseurs en ligne, qui exigent l'envoi du fichier vers leurs serveurs.

La détection des titres repose sur une heuristique simple : l'outil relève la taille de police la plus fréquente du document (celle du corps de texte), puis marque en « ## » ou « ### » toute ligne dont la police est nettement plus grande. C'est une approximation raisonnable pour des documents à mise en forme cohérente (rapports, notes, articles) où les titres se distinguent visuellement du corps de texte par leur taille. Ce n'est pas une analyse de la structure logique du document : l'outil ne sait pas ce qu'est un titre, il infère seulement qu'une ligne de grande taille en est probablement un.

Les limites de cette conversion

Cette approche a des limites qu'il faut connaître avant de l'utiliser sur un document important. Elle ne fonctionne que sur des PDF contenant du texte réel, c'est-à-dire un fichier issu d'un traitement de texte ou exporté numériquement. Un PDF scanné, c'est-à-dire une image de document sans couche de texte sous-jacente, ne contient aucun texte que pdf.js puisse extraire ; il faudrait d'abord lui appliquer une reconnaissance optique de caractères (OCR), une étape que cet outil n'effectue pas.

Les mises en page complexes posent un second problème. Un document à plusieurs colonnes, une note de bas de page insérée au milieu d'un paragraphe, ou un tableau ne sont pas reconstruits comme tels : l'extraction se fait ligne par ligne selon la position verticale du texte sur la page, sans détection de la structure d'un tableau ni recomposition de colonnes. Un tableau de PDF devient une suite de lignes de texte, pas un tableau Markdown avec des barres verticales. C'est une extraction de texte et de titres par heuristique, pas un analyseur de structure documentaire complet.

Pour un usage ponctuel (convertir un rapport ou une note avant de la coller dans un assistant), ces limites sont rarement bloquantes. Elles le deviennent pour un traitement en volume, ou pour un document où les tableaux et la mise en page comptent autant que le texte : rapport financier chargé de tableaux, contrat structuré en colonnes, présentation. Dans ces cas, un outil s'exécutant en local avec une bibliothèque dédiée à la conversion de documents structurés (pymupdf4llm par exemple) offre une détection de tableaux et de listes nettement plus fidèle, au prix d'un script à exécuter plutôt que d'un simple glisser-déposer dans le navigateur.

Questions fréquentes

Mes fichiers sont-ils envoyés sur un serveur ?
Non. Toute la conversion s'exécute dans votre navigateur via pdf.js ; le fichier n'est jamais transmis ni stocké sur un serveur, seulement lu en mémoire sur votre machine.

Ça fonctionne avec un PDF scanné ?
Non. L'outil extrait uniquement le texte déjà présent dans le PDF et ne réalise pas d'OCR. Un PDF scanné (une image sans couche de texte sous-jacente) ne produira aucun résultat exploitable.

Le tableau du PDF est-il préservé ?
Pas de façon fiable. L'extraction se fait ligne par ligne, sans détection spécifique des tableaux : un tableau du PDF ressort comme une suite de lignes de texte, pas comme un tableau Markdown structuré.