Convertisseur haute qualité PDF en JSON

Transformez un PDF en JSON structuré.

Extraire le texte d'un PDF donne des lignes, pas un document. WandPDF reconstruit la structure et l'écrit en JSON : chaque titre, paragraphe, liste, tableau et note devient un bloc à part, dans l'ordre de lecture.

Convertir en
Testé sur 31 livres : 25 sont sortis propres avec WandPDF, 2 avec Calibre (le moteur de CloudConvert). Voir le test 

PDF en JSON, avant et après

La même page. Deux extractions très différentes.

Un convertisseur classique déverse le texte de la page ligne par ligne. WandPDF écrit la structure.

Formats

Convertissez un PDF en EPUB, Kindle, Markdown, texte, HTML ou JSON.

.epub

PDF en EPUB

Un livre numérique EPUB pour Apple Books, Kobo, Google Play Livres et toutes les applis de lecture. Les chapitres forment une table des matières cliquable.

.azw3

PDF en Kindle (AZW3)

Un fichier AZW3 pour les liseuses et les applis Kindle. Changez la taille de police et le texte se réorganise, au lieu de zoomer sur une page minuscule.

.md

PDF en Markdown

Du texte propre avec titres, listes et tableaux, pour vos notes, Obsidian, un wiki ou comme entrée pour ChatGPT, Claude et les autres LLM.

.txt

PDF en TXT

Du texte brut en paragraphes entiers, sans numéros de page ni lignes coupées. Les PDF scannés sont lus par OCR.

.html

PDF en HTML

Une page web lisible avec de vrais titres, tableaux et notes, images incluses. Elle s'adapte aux téléphones, ce n'est pas une copie de la page imprimée.

.json

PDF en JSON

Le document en blocs typés dans l'ordre de lecture : titres, paragraphes, listes, cellules de tableau, notes. Pour le RAG, la recherche et les scripts.

À venirProchaine étape, Word : un document modifiable, pas une copie de la mise en page.

Comment ça marche

Comment convertir un PDF en JSON

  1. 1

    Déposez votre PDF

    N'importe quel PDF : un article, un rapport, un manuel, un livre ou un scan de pages imprimées.

  2. 2

    Choisissez JSON

    Un seul fichier .json : le titre, la table des matières et une liste plate de blocs typés.

  3. 3

    Utilisez les blocs

    Découpez par titres pour le RAG, indexez les paragraphes pour la recherche ou lisez les tableaux cellule par cellule dans un script.

Sous le capot

Ce qu'un PDF cache, et que WandPDF corrige.

Testé sur 31 livres qui n'ont jamais servi à régler l'analyseur.

Propre veut dire sans défaut grave, comme des paragraphes cassés, des numéros de page égarés, des titres courants ou du texte perdu.

WandPDF25 / 31 propres
Calibre 8.5 (utilisé par CloudConvert)2 / 31 propres

FAQ

FAQ PDF en JSON

À quoi ressemble le JSON ?

Un objet avec title, author, lang, pages (le nombre de pages), toc et blocks. Chaque bloc a un type (heading, paragraph, list, table, figure, math, code, footnote, quote ou note), le chapitre auquel il appartient et son contenu : text pour la plupart, items pour une liste, des lignes de cellules pour un tableau, du LaTeX pour une formule centrée. Chaque bloc a aussi les champs page et bbox, décrits plus bas.

Est-ce adapté au RAG et aux pipelines de LLM ?

C'est fait pour ça. Les titres courants, les numéros de page imprimés et les coupures de mots sont retirés du texte, les paragraphes sont entiers et dans l'ordre de lecture, et les titres sont marqués, ce qui permet de découper selon les vraies sections plutôt qu'en fenêtres de taille fixe. Chaque bloc garde aussi sa page du PDF : une réponse peut citer sa source.

Chaque bloc a-t-il sa page et sa boîte englobante ?

Oui. Chaque bloc a un champ page, la page du PDF où il commence (à partir de 1), et un champ bbox, sa boîte englobante sur cette page sous la forme [x0, top, x1, bottom] en points (1/72 de pouce), mesurés depuis le coin supérieur gauche de la page, y croissant vers le bas, comme dans pdfplumber. De quoi citer la page source ou surligner le passage dans un lecteur PDF. Le champ page est la position de la page dans le fichier et peut différer du numéro imprimé dessus. Un bloc qui continue après un saut de page ou dans une autre colonne a aussi ses propres tableaux JSON pages et bboxes, avec une entrée par partie.

Comment les tableaux sont-ils écrits ?

En lignes de cellules, chacune avec son texte et, le cas échéant, une marque d'en-tête et ses colspan et rowspan. Les tableaux tracés avec des filets sortent le plus sûrement ; certains tableaux sans aucun filet sortent encore en paragraphes.

Les images sont-elles dans le JSON ?

Non. Un bloc figure contient le texte alternatif et la légende de l'image, pas l'image elle-même. Choisissez EPUB, HTML ou Markdown pour garder les images.

Est-ce que ça marche avec les PDF scannés ?

Oui, en anglais, allemand, français, espagnol, italien, portugais et russe. Quand les pages sont des images, WandPDF reconnaît le texte de chacune (OCR) et en tire le livre : vous pouvez agrandir les caractères et faire des recherches. Un long livre scanné prend plusieurs minutes, et la page indique où en est la conversion.

Quelles langues sont prises en charge ?

L'anglais et les autres langues à alphabet latin, ainsi que le chinois et le japonais. L'arabe, l'hébreu et les autres écritures de droite à gauche sont encore en préparation.

Que devient mon fichier ?

Il est conservé juste le temps de le convertir et de vous laisser télécharger le résultat, puis il est supprimé.

Votre prochain PDF mérite des données propres.

EPUB, Kindle, Markdown, texte, HTML et JSON à partir d'un seul envoi.

Convertir un PDF