Pourquoi le copier-coller d'un PDF devient illisible (et comment le corriger)

Equalang

En bref

Découvrez pourquoi un PDF net colle des carrés ou des caractères bizarres (/ToUnicode CMap manquante), comment diagnostiquer les polices en 10 secondes et extraire le texte.

Mots-clés: pdf copier coller texte incompréhensible; copier texte pdf caractères bizarres carrés; ToUnicode CMap manquante; pdffonts uni no diagnostic; réparer texte copié pdf illisible

Lorsqu'un document PDF s'affiche avec une netteté parfaite à l'écran mais que le texte copié se transforme dans votre éditeur en carrés vides (``), en symboles incohérents ou en lettres décalées (comme "Hello" qui devient "Khoor"), le fichier est dépourvu d'une table de correspondance valide nommée /ToUnicode Character Map (CMap) au sein du dictionnaire de polices incorporées. Le format PDF étant un format de mise en page et de dessin vectoriel issu de PostScript — et non un fichier de traitement de texte —, une liseuse n'a besoin que d'identifiants de glyphes et de contours vectoriels pour tracer des lettres nettes sur votre moniteur. Le moteur de rendu graphique n'a nullement besoin de savoir quel caractère Unicode (U+0041 pour 'A') une forme représente, jusqu'au moment où vous appuyez sur Ctrl+C ou Cmd+C. Lorsque cette table de conversion est absente, altérée ou masquée par une ancienne couche OCR corrompue, votre presse-papiers reçoit de simples indices internes au lieu d'un texte clair.

Rendu à l'écran vs copier-coller (Ctrl+C) : deux mécanismes distincts

Il semble paradoxal de pouvoir lire parfaitement un paragraphe dans Adobe Acrobat ou Chrome alors que votre système d'exploitation ne parvient pas à en copier le moindre mot. Ce décalage s'explique par le fait que l'affichage visuel d'une page et l'extraction de texte reposent sur deux structures de données distinctes au sein de la norme PDF (ISO 32000-1:2008 Section 9.10, Extraction of Text Content).

Lorsqu'un lecteur PDF affiche une ligne de texte :

  1. Le flux de contenu de la page émet une instruction de tracé contenant une série d'identifiants de glyphes / codes de caractères (par exemple <0001 0002 0003> Tj).
  2. Le moteur de rendu consulte la police incorporée (souvent un sous-ensemble) et extrait les tracés vectoriels de la forme n° 1, de la forme n° 2 et de la forme n° 3.
  3. Il trace ces courbes de Bézier aux coordonnées (x, y) exactes. À aucun moment le moteur graphique ne cherche à savoir si la forme n° 1 représente la lettre 'T', un symbole d'intégrale mathématique ou le logo d'une entreprise.

Lorsque vous sélectionnez cette même ligne et appuyez sur Ctrl+C / Cmd+C, les courbes vectorielles ne peuvent pas être insérées dans le presse-papiers. Le lecteur PDF doit alors traduire chaque identifiant interne de glyphe en point de code Unicode standard :

[Circuit de rendu à l'écran]
Flux d'instructions (<0001 0002 0003> Tj) ──► Contours vectoriels de la police ──► Pixels nets à l'écran

[Circuit du copier-coller (presse-papiers)]
Flux d'instructions (<0001 0002 0003> Tj) ──► /ToUnicode CMap de la police    ──► Texte Unicode standard (U+0054 "T"...)
                                                  │
                                          (Si absente ou corrompue)
                                                  ▼
                                         Carrés vides ( ) / Symboles / Lettres décalées

Si le générateur de PDF a créé un sous-ensemble de police (subsetting) — en ne conservant que les 42 caractères uniques présents dans la page et en les indexant de 1 à 42 — sans intégrer de flux /ToUnicode explicite, la liseuse est contrainte de deviner. Le glyphe n° 1 (qui affiche visuellement un 'T') peut alors être converti en U+0001 (caractère de contrôle non imprimable), en caractère de zone à usage privé (PUA, rendu par un carré vide) ou en code ASCII décalé.

Les 3 causes fondamentales du texte illisible lors d'un copier-coller PDF

Toutes les corruptions de texte n'ont pas la même origine. La structure du texte collé permet de déterminer avec précision l'élément défaillant :

Résultat obtenu lors du collageExemple typiqueCause sous-jacente dans le fichier PDFUn convertisseur standard sans OCR peut-il corriger le problème ?
Carrés vides, points d'interrogation ou caractères de contrôleouPolice incorporée en sous-ensemble avec Identity-H ou numérotation personnalisée sans table /ToUnicode CMap associée.Non. Les données d'encodage des caractères n'existent pas dans le fichier.
Lettres décalées (façon chiffre de César) ou symboles aléatoires"Hello" → "Khoor" ou "!#$%&"Encodage Type 1 / Type 3 personnalisé ou obfuscation délibérée de la police par l'éditeur avec indices décalés par rapport à ASCII/Unicode.Non. Les outils standards lisent la même table décalée que le presse-papiers.
Paires de lettres manquantes ou symboles parasites"efficient" → "ef cient" ou "ef?cient"Ligatures typographiques (fi, fl, ffi) ou symboles mathématiques sans correspondance /ToUnicode multi-caractères.Partiellement (uniquement via un chercher-remplacer manuel a posteriori).
Soupe de caractères approximatifs (1lI0O, ponctuation chaotique)"The result" → "Thc rcsult ~!"Ancienne couche OCR corrompue et invisible sous un scan : un scanner a exécuté un OCR rudimentaire il y a dix ans et superposé du texte corrompu sous l'image nette.Non. Il faut supprimer la couche défaillante et relancer l'OCR (--force-ocr).

1. Tables /ToUnicode CMap absentes ou corrompues dans les sous-ensembles de polices

Afin de réduire le poids des fichiers, les créateurs de PDF intègrent presque toujours des sous-ensembles de polices (ABCDEF+TimesNewRoman) en ne conservant que les glyphes strictement nécessaires. Les chaînes LaTeX plus anciennes (dvips / ps2pdf), les exportateurs de plans CAD, certains pilotes d'impression virtuels et des systèmes de protection d'éditeurs scientifiques attribuent des identifiants séquentiels (0x0001, 0x0002...), définissent l'encodage sur Identity-H et omettent le dictionnaire /ToUnicode.

Dans le flux d'objets PDF brut, la différence entre une police fonctionnelle et une police corrompue est flagrante :

% OBJET DE POLICE INTACT (Le copier-coller fonctionne normalement)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- Pointeur vers un flux CMap valide associant les glyphes à l'Unicode
>>
endobj

% OBJET DE POLICE CORROMPU (Le copier-coller produit du texte incompréhensible)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- Identifiants internes bruts, AUCUNE entrée /ToUnicode !
>>
endobj

2. Ligatures typographiques et encodages spécifiques de symboles mathématiques

Dans la typographie de haute précision (notamment avec Computer Modern sous LaTeX), les lettres successives comme f et i sont fusionnées en un glyphe unique (fi). Si la police attribue ce glyphe unique à un emplacement non standard (comme 0x0C) sans déclarer de conversion de un vers plusieurs dans sa table /ToUnicode (<000C> <00660069>), copier "first" produira " rst" ou "?rst". Le même phénomène se produit avec les variables grecques, les signes moins et les symboles d'intégrale des polices mathématiques Type 1 personnalisées.

3. Une couche de texte OCR invisible et corrompue sous un scan net

Dans les articles d'archives ou les livres numérisés, la page visible est en réalité une image bitmap haute résolution (JPEG ou JBIG2). Pour rendre le document « interrogeable », les scanners d'institutions appliquaient autrefois des logiciels d'OCR anciens et plaçaient une couche de texte invisible (mode de rendu 3 Tr) au-dessus de l'image. Lorsque vous surlignez du texte, vous voyez l'image nette, mais votre curseur sélectionne en réalité cette couche textuelle corrompue vieille de dix ou quinze ans.

Diagnostic en 10 secondes : vérifier la table des polices du PDF

Avant d'essayer de multiples visionneuses ou convertisseurs en ligne, identifiez immédiatement si la table /ToUnicode est manquante.

Méthode A : exécuter pdffonts dans le terminal (le plus rapide)

Si vous disposez de la bibliothèque open-source Poppler (brew install poppler sous macOS, sudo apt install poppler-utils sous Ubuntu/Debian), lancez pdffonts sur votre fichier :

pdffonts document.pdf

Examinez attentivement les colonnes sub (sous-ensemble) et uni (présence de /ToUnicode) :

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes : la police contient une table /ToUnicode. Si le texte copié est tout de même illisible, la table associe de mauvais points de code (obfuscation délibérée) ou vous sélectionnez une ancienne couche OCR corrompue.
  • sub = yes ET uni = no : Preuve formelle. La police est un sous-ensemble personnalisé dépourvu de toute information de correspondance Unicode. Aucun lecteur PDF ni convertisseur standard ne pourra extraire de texte propre depuis ce flux.

Méthode B : vérifier Fichier > Propriétés > Polices dans Adobe Acrobat Reader

Pour une vérification dans une interface graphique :

  1. Ouvrez le document dans Adobe Acrobat Reader.
  2. Appuyez sur Ctrl+D (Cmd+D sur macOS) ou allez dans Fichier > Propriétés, puis cliquez sur l'onglet Polices.
  3. Développez les polices utilisées sur la page problématique. Dès lors qu'une (Sous-ensemble incorporé) mentionne Codage : Personnalisé ou Identity-H (en particulier pour les polices Type 1, Type 3 ou CID), c'est cette police qui génère les caractères corrompus dans le presse-papiers.

Comment récupérer et extraire un texte propre depuis un PDF défaillant

Une fois l'absence de table /ToUnicode (uni = no) ou la corruption de l'ancienne couche OCR confirmée, inutile de persister avec les convertisseurs bureautiques classiques. Ces outils analysent la même table défaillante que votre presse-papiers. Pour récupérer un texte clair, vous devez contourner les codes internes du PDF et interpréter directement les formes graphiques via la reconnaissance optique de caractères (OCR).

Solution 1 : extraire de courts extraits avec l'OCR d'écran

Pour extraire simplement deux paragraphes, une référence ou une ligne de tableau :

  • macOS (Texte en direct / Capture d'écran) : effectuez une capture (Cmd+Maj+4) du paragraphe et ouvrez-la dans Aperçu. La fonctionnalité Texte en direct d'Apple ignore totalement le dictionnaire de polices du PDF et permet de sélectionner le texte directement sur les pixels.
  • Windows (PowerToys Text Extractor) : utilisez le raccourci Win+Maj+T pour encadrer la zone voulue sur votre écran et envoyer le texte reconnu directement dans le presse-papiers.

Solution 2 : reconstruire toute la couche de texte du PDF avec ocrmypdf --force-ocr

Pour obtenir un document complet, interrogeable et copiable sur toutes ses pages, utilisez l'outil libre ocrmypdf avec l'option --force-ocr. Les outils OCR conventionnels ignorent les pages disposant déjà d'un flux de polices ; --force-ocr rastérise la page vectorielle à 300 DPI, supprime la couche corrompue et injecte une couche textuelle Unicode neuve et rigoureuse :

# Installer ocrmypdf (macOS / Ubuntu)
brew install ocrmypdf
# ou : sudo apt install ocrmypdf

# Forcer le remplacement de la table de polices corrompue par une couche Unicode propre
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

Si le document comporte plusieurs langues (par exemple un manuel technique anglais-français), spécifiez les codes de langue Tesseract correspondants (-l fra+eng).

Solution 3 : traduire des articles académiques ou manuels sans passer par le copier-coller

Dans de nombreux cas, vous ne découvrez le copier-coller illisible que parce que vous essayez d'extraire un paragraphe complexe d'un article scientifique à deux colonnes pour le coller dans un outil de traduction web.

Au lieu de corriger manuellement les ligatures cassées ou de réassembler les phrases coupées d'une colonne à l'autre, vous pouvez soumettre le PDF directement à un flux de traduction documentaire capable d'analyser visuellement la mise en page, tel que la Traduction de documents Equalang (découvrez comment traduire et lire des documents PDF côte à côte). En interprétant la structure visuelle de la page, ce système contourne l'absence de tables /ToUnicode, préserve les colonnes, tableaux et équations, et permet de lire simultanément la version originale et la version traduite côte à côte.

Article académique en anglais sur deux colonnes affiché côte à côte avec sa mise en page traduite dans l'espace de travail Equalang
Lorsqu'une table /ToUnicode manquante corrompt le copier-coller, la traduction directe de la mise en page du PDF évite l'extraction manuelle de texte

Foire aux questions (FAQ)

Pourquoi mon PDF reste-t-il parfaitement net à un zoom de 400 %, mais colle des caractères bizarres ?

La netteté visuelle dépend des contours vectoriels des glyphes (des courbes mathématiques contenues dans la police incorporée), alors que le copier-coller s'appuie sur une table distincte de correspondance vers l'Unicode (/ToUnicode CMap). Le visualiseur PDF sait parfaitement tracer la géométrie de chaque lettre, même lorsqu'il ne dispose d'aucune métadonnée lui indiquant quel caractère réel cette géométrie représente.

Le déverrouillage des mots de passe ou des restrictions de droits PDF peut-il résoudre le problème ?

Non. Les restrictions de sécurité d'un PDF déterminent uniquement si l'option Copier est sélectionnable ou grisée. Dès lors que vous pouvez sélectionner du texte, faire Ctrl+C et coller un contenu (même constitué de carrés vides ou de caractères bizarres), les autorisations ne sont pas en cause : c'est la table /ToUnicode qui est absente ou corrompue.

Pourquoi l'ouverture du PDF dans Microsoft Word ou un convertisseur gratuit produit-elle exactement les mêmes symboles ?

La majorité des outils de conversion rapide extraient directement les flux textuels et les dictionnaires de polices internes sans appliquer d'OCR visuel. Lorsque pdffonts indique uni = no, l'identité des caractères n'existe tout simplement pas dans le flux textuel du document ; tout logiciel n'utilisant pas d'OCR optique restituera immanquablement les mêmes anomalies.

Sources