PDF vers Markdown
Transformez un PDF en Markdown propre avec de vrais titres « # », des listes à puces et numérotées, et des tableaux au format GitHub - reconstruits à partir des tailles de police et positions de colonnes réelles de la page, pas devinés à partir d'un simple bloc de texte. Conçu pour les personnes qui convertissent un PDF en Markdown pour économiser des tokens avant de le coller dans ChatGPT, Claude, Gemini, DeepSeek ou Grok.
Comment la structure est réellement détectée
Un PDF n'a ni titres, ni listes, ni tableaux. Il ne contient que des glyphes à des coordonnées. Donc, au lieu de se contenter d'extraire le texte brut, ce convertisseur lit chaque segment de texte avec sa position, sa taille de police et son nom de police, puis reconstruit la structure à partir de cela :
- Titres par regroupement de taille de police. La taille couvrant le plus de caractères dans tout le document est considérée comme le texte courant. Les tailles nettement supérieures deviennent
#,##,###par ordre décroissant. Les lignes courtes, en gras et isolées à la taille du texte courant sont aussi repérées comme sous-titres. - Listes à partir de leur glyphe de tête. Une ligne commençant par •, -, * ou « 1. » / « 2) » devient un véritable élément de liste Markdown, et les lignes de continuation qui se replient sont rattachées à l'élément auquel elles appartiennent.
- Tableaux par regroupement de position x. Une coordonnée x où plusieurs lignes différentes commencent toutes un segment de texte constitue une vraie colonne. Il faut au moins trois lignes consécutives s'accordant sur au moins deux colonnes avant qu'un bloc soit produit comme tableau - et si la grille obtenue est en grande partie vide, elle est signalée comme incertaine et laissée en texte brut plutôt que transformée en tableau erroné.
- Suppression du bruit. Les lignes qui se répètent en haut ou en bas de la plupart des pages sont des en-têtes et pieds de page récurrents, donc elles sont supprimées (les numéros de page sont reconnus par leur forme, donc « Page 3 sur 12 » et « Page 4 sur 12 » comptent comme la même ligne). Les mots coupés par un trait d'union en fin de ligne sont rassemblés.
Les sauts de page sont conservés sous forme de commentaires HTML <comment/> plutôt que de titres visibles, car un « ## Page 2 » serait lu par un analyseur Markdown - et par un modèle de langage - comme une vraie structure de document qui n'existe pas.
Questions fréquentes
Pourquoi convertir un PDF en Markdown avant d'utiliser ChatGPT ou Claude ?
Parce que le Markdown dit la même chose avec moins de bruit et plus de structure. Un dump de texte brut d'un PDF répète l'en-tête et le pied de page sur chaque page, coupe les mots à la fin des lignes avec des traits d'union, et donne au modèle une courte ligne par ligne visuelle sans indication de ce qui était un titre, une liste ou un tableau. Les titres et tableaux Markdown indiquent précisément au modèle comment le document est organisé, ce qui améliore les réponses obtenues - et supprimer les éléments de mise en page fait que vous ne payez pas de tokens pour du texte qui ne porte aucun sens.
La conversion en Markdown réduit-elle vraiment les tokens pour l'IA ?
Cela dépend du document, et cet outil vous montre le vrai chiffre plutôt qu'une promesse marketing. Les gains évidents viennent de la suppression des en-têtes et pieds de page répétés, du réagencement des lignes coupées, et de la réunification des mots coupés par un trait d'union (un mot coupé en « through- » plus « put » est tokenisé en plusieurs fragments au lieu d'un seul). En contrepartie, les barres verticales des tableaux et les marqueurs de titre ajoutent quelques caractères. Sur un long rapport avec des éléments de mise en page sur chaque page, le gain est réel ; sur un PDF court, propre et riche en tableaux, le Markdown peut ressortir à peu près à la même taille - et reste bien plus utile pour le modèle. L'outil affiche une estimation (environ quatre caractères par token) explicitement indiquée comme telle.
Détectera-t-il les titres et tableaux de mon PDF ?
Les titres sont détectés chaque fois que le document utilise une police plus grande ou en gras pour eux, ce qui couvre presque tous les rapports, articles, manuels et contrats exportés depuis Word, Google Docs, LaTeX ou InDesign. Les tableaux sont détectés quand leurs colonnes s'alignent de façon cohérente sur la page - le cas habituel. Les tableaux tenus uniquement par des bordures dessinées sans alignement de texte cohérent, et les mises en page très designées façon magazine, sont les cas difficiles ; quand la grille semble peu fiable, l'outil le dit clairement et conserve le texte plutôt que d'inventer un tableau.
Puis-je désactiver certaines parties de la détection ?
Oui. La détection des titres, des listes, des tableaux, la réunification des mots coupés, le gras/italique et la suppression de l'en-tête répété sont tous des options individuelles, plus une option pour ajouter des marqueurs '<!-- page N -->'. Le PDF n'est lu qu'une seule fois, donc chaque option reconvertit instantanément et l'estimation de tokens se met à jour avec elle.
Que se passe-t-il avec un PDF scanné ?
Un PDF scanné est une image d'une page sans couche de texte, et il n'y a pas d'étape OCR ici, donc rien ne peut en être extrait. L'outil vous indique clairement quelles pages n'avaient pas de couche de texte au lieu de renvoyer silencieusement un fichier vide. Passez d'abord le PDF dans un outil OCR puis convertissez le résultat.
Mon PDF est-il envoyé à un serveur ?
Non. Le PDF est analysé avec pdf.js entièrement dans votre navigateur, et le Markdown y est construit aussi. Le fichier ne quitte jamais votre appareil, ce qui signifie aussi que les contrats confidentiels et rapports internes peuvent être convertis ici en toute sécurité.
Puis-je utiliser le Markdown dans un pipeline RAG ?
C'est l'une des principales raisons de l'utiliser. Les titres Markdown donnent à un découpeur des points de coupure naturels - découper d'abord sur les frontières ##, puis les paragraphes - donc les segments correspondent à de vraies sections au lieu de couper en plein milieu d'une phrase, et les tableaux restent lisibles par le modèle après découpage. Téléchargez le .md, ou copiez-le directement depuis l'outil.