PDF en Markdown

Le PDF est l'endroit où les documents vont cesser de changer. C'est sa raison d'être et sa vertu, et c'est exactement le problème lorsque le contenu doit continuer à vivre — comme page d'un site de documentation, entrée d'une base de connaissances, fichier d'un dépôt, ou entrée d'un système qui traite du texte.

Le Markdown est le type de format inverse : du texte brut, léger, comparable ligne à ligne, lisible sans logiciel particulier, et convertible en à peu près n'importe quoi d'autre. Faire passer du contenu du PDF au Markdown reconvertit un objet fini en quelque chose qui peut être modifié, relu ligne par ligne et republié.

Les destinations courantes sont les générateurs de sites statiques, les wikis et les plateformes de documentation, les systèmes de notes, et les dépôts suivis en version où une différence lisible compte davantage que la présentation.

Un PDF stocke des glyphes à des coordonnées. Il ne consigne pas qu'une ligne était un titre, que trois lignes formaient un paragraphe, ni qu'une colonne d'éléments était une liste — ce sont des choses qu'un lecteur déduit de l'apparence. Un convertisseur doit faire les mêmes déductions à partir des mêmes indices.

Le corps de la police porte l'essentiel du signal. Un texte sensiblement plus grand que le corps courant est presque toujours un titre, et les différentes tailles présentes dans un document se transposent en niveaux de titre, dans l'ordre. Les caractères de puce et les numéros en tête de ligne identifient les listes. L'interlignage et les retraits révèlent où les paragraphes commencent et finissent, ce qui permet de raccorder les lignes coupées en un texte qui coule plutôt que de conserver des retours à la ligne rigides.

Cela fonctionne bien parce que la plupart des documents sont typographiquement conventionnels. Cela fonctionne mal sur ceux qui ne le sont pas — là où la taille signale une emphase plutôt qu'une hiérarchie, ou là où un graphiste a composé le corps en grand et les titres en petit.

Les documents sur une colonne, portés par le texte, sont le cas favorable : rapports, articles, politiques internes, documentation, livres numériques, comptes rendus de réunion. Titres, paragraphes, listes et emphases passent tous, et le résultat est exploitable avec une relecture légère.

Trois choses demandent régulièrement de l'attention. Les mises en page sur plusieurs colonnes imposent une décision d'ordre de lecture parfois impossible à trancher : un article universitaire ou une lettre d'information peut donc entrelacer ses colonnes. Les tableaux survivent rarement comme tableaux, parce qu'une grille de texte aligné n'a aucune signature qui la distingue de quatre colonnes de textes séparés, à moins d'avoir été tracée avec des filets. Et les en-têtes, pieds de page et numéros de page se répètent sur chaque page et atterrissent dans le flux, puisqu'ils relevaient de l'habillage et non du contenu.

Rien de cela n'est un défaut de la conversion, c'est une conséquence de ce qu'est un PDF. Prévoir quelques minutes pour supprimer l'habillage répété et reconstruire un tableau ou deux est l'attente réaliste.

Vérifiez d'abord que le PDF contient bien du texte : essayez de sélectionner un mot. Si rien ne se met en surbrillance, la page est une image et OCR PDF doit passer en premier — l'exécuter transforme une conversion sans espoir en une bonne conversion.

Relisez ensuite le résultat de haut en bas dans un éditeur doté d'un aperçu en direct, ce qui rend immédiatement évident un niveau de titre erroné. Corriger la hiérarchie des titres avant toute autre chose en vaut la peine, car elle détermine la façon dont le document se lit partout où il sera publié.

S'il vous faut aussi les images, PDF en JPG en mode extraction les sort à leur taille native. Et si ce que vous vouliez en réalité était un document modifiable plutôt qu'un format texte, PDF en Word reconstruit des paragraphes et de véritables tableaux et constitue le meilleur outil.