Convertisseur PDF en Word

PDF (ISO 32000-1 pour PDF 1.7 et ISO 32000-2 pour PDF 2.0) est un format à mise en page fixe dont le contenu de page est un flux d'opérateurs de dessin (`Tf` pour sélectionner la police, `Td` pour positionner le curseur texte, `Tj` pour afficher une chaîne de glyphes, `Tm` pour la matrice de texte) plutôt qu'un modèle de document fluide. Il n'existe aucun concept de paragraphe, titre ou tableau au niveau du fichier ; ce sont des artefacts visuels produits par des séquences de glyphes positionnées de manière absolue. Convertir en DOCX (Office Open XML, ECMA-376 / ISO/IEC 29500), qui EST un modèle fluide avec des paragraphes `<w:p>`, des tableaux `<w:tbl>` et des propriétés de run dans un conteneur ZIP, est donc un problème de reconstruction plutôt que de traduction. L'extraction de texte elle-même dépend de la table CMap `ToUnicode` de chaque police embarquée dans le PDF : si la CMap est manquante ou mappe les identifiants de glyphes vers des points de code Unicode du plan d'utilisation privée (un motif courant anti-copie), les caractères visibles ne peuvent pas être récupérés sans OCR même si la page s'affiche correctement. Le PDF téléversé est traité par le moteur de conversion côté serveur de ToolAct, qui lit le flux de contenu de page sous forme de séquences de texte positionnées et reconstruit la structure du document par-dessus. La reconstruction de paragraphes nécessite de regrouper ces séquences par coordonnée y (dans la limite d'une hauteur de ligne), de trier par coordonnée x, de détecter les limites de colonnes à partir de l'histogramme des débuts en x, et d'inférer les retours à la ligne à partir des écarts. La reconstruction de tableaux est plus difficile : les tableaux avec bordures peuvent être retrouvés en intersectant les opérateurs de lignes de la page (`re`, `l`, `S`) en une grille et en assignant les séquences de texte aux cellules ; les tableaux sans bordures nécessitent des heuristiques de détection de colonnes comme celles de Tabula ou Camelot, et la précision chute fortement avec des cellules fusionnées ou des lignes multiples. Les images sont extraites du dictionnaire XObject de la page et réintégrées dans le dossier `media/` du DOCX. La sortie DOCX est assemblée sous forme de ZIP contenant `[Content_Types].xml`, `word/document.xml`, `word/styles.xml` et les médias. La fidélité aller-retour est limitée : les PDF nés du texte avec un corps en colonne unique font un aller-retour propre ; les mises en page scientifiques multi-colonnes, les tableaux sans bordures, la composition mathématique, les ligatures dont la CMap est manquante et le texte pivoté se dégradent tous. La préservation à 100 % d'un PDF quelconque est prouvablement impossible car le modèle source est strictement plus expressif que la cible. Les fichiers sont supprimés du serveur immédiatement après la conversion.

• Spécification PDF : ISO 32000-1 (PDF 1.7) / ISO 32000-2 (PDF 2.0). Le contenu de page est un flux d'opérateurs (`Tf`, `Td`, `Tj`, `Tm`) dessinant des glyphes positionnés — pas de paragraphe/titre/tableau au niveau fichier.
• Spécification DOCX : Office Open XML, ECMA-376 / ISO/IEC 29500. Un ZIP de parties XML (`word/document.xml`, `word/styles.xml`, `[Content_Types].xml`) avec des paragraphes `<w:p>` et des tableaux `<w:tbl>` — un modèle fluide.
• L'extraction de texte dépend de la table CMap ToUnicode de la police ; les PDF avec des CMap manquantes ou mappées sur le PUA s'affichent correctement mais s'extraient en désordre, forçant le repli vers l'OCR.
• Les fichiers sont téléversés vers le moteur de conversion côté serveur de ToolAct et supprimés immédiatement à la fin de la conversion.
• Reconstruction de paragraphes : regrouper les séquences de texte par coordonnée y dans une hauteur de ligne, trier par x, détecter les colonnes à partir de l'histogramme des débuts en x, inférer les retours à la ligne à partir des écarts inter-séquences.
• Reconstruction de tableaux : les tableaux avec bordures proviennent de l'intersection des opérateurs de lignes `re`/`l`/`S` en une grille ; les tableaux sans bordures nécessitent des heuristiques de détection de colonnes (Tabula/Camelot) et se dégradent sur les cellules fusionnées ou multi-lignes.
• La préservation à 100 % d'un PDF→DOCX est prouvablement impossible — le modèle source est strictement plus expressif que la cible. Les mises en page scientifiques multi-colonnes, les tableaux sans bordures, la composition mathématique et le texte pivoté se dégradent le plus.