À propos de My PDF 2 MD

Qui édite ce site

My PDF 2 MD est développé et exploité par MyPDF2MD.com, un projet logiciel indépendant basé à Kozhikode, Kerala, India. Aucun fonds d'investissement derrière, aucune API de traitement documentaire dont ce site serait la vitrine, et rien de ce que vous convertissez n'est revendu.

Le site est tenu par une petite équipe. Il n'y a pas de file d'attente derrière un agent conversationnel : un courriel arrive chez une personne. Les questions générales vont à support@mypdf2md.com ; tout ce qui touche aux données personnelles va à privacy@mypdf2md.com. Les deux reçoivent une réponse sous cinq jours ouvrés, et la page de contact propose un formulaire si vous préférez éviter le courriel.

Pourquoi cet outil existe

Presque tous les convertisseurs PDF vers Markdown du web fonctionnent de la même façon : vous téléversez votre document sur un serveur dont vous ne savez rien, il y est traité, et on vous demande de faire confiance à une phrase de politique de confidentialité sur ce qu'il est devenu ensuite. Pour une carte de restaurant, aucune importance. Pour un contrat signé, un compte rendu médical, un procès-verbal de conseil ou un manuscrit inédit, c'est un échange que peu de gens accepteraient en connaissance de cause.

La technologie qui permet d'éviter cet échange est dans les navigateurs depuis des années. PDF.js, le moteur PDF de Mozilla, s'exécute dans la page et peut lire un document sans qu'aucune partie de celui-ci ne traverse le réseau. Ce qui manquait n'était pas la capacité mais un outil construit autour d'elle. Celui-ci convertit donc sur votre machine par défaut, et la promesse de confidentialité affichée en page d'accueil décrit une architecture plutôt qu'une bonne intention.

Ce choix a un coût, autant le dire franchement : un onglet de navigateur dispose de moins de mémoire et de moins de processeur qu'un serveur, de sorte qu'un document très long ou très complexe se convertit plus lentement ici que sur un service hébergé. C'est à notre sens le bon compromis pour les documents qui inquiètent réellement.

Comment la conversion fonctionne réellement

C'est la partie que la plupart des convertisseurs présentent comme magique, et elle vaut la peine d'être comprise, car elle explique les erreurs que l'outil commet.

Un PDF ne contient ni titres, ni paragraphes, ni listes, ni tableaux. Il contient des glyphes à des coordonnées. Lorsqu'un traitement de texte exporte un PDF, la structure sémantique du document d'origine — ce passage est un titre de niveau deux, ces lignes forment un paragraphe, ces cellules forment un tableau — est abandonnée et remplacée par des instructions de tracé sur une page. Convertir un PDF en Markdown consiste à déduire cette structure de la géométrie, et déduire n'est pas extraire.

Le convertisseur commence par déterminer la hauteur du texte courant : la hauteur de police la plus fréquente du document, pondérée par le nombre de caractères composés à cette taille. Tout le reste se mesure en multiples de cette unité, ce qui rend le résultat indépendant du fait que le document soit composé en 9 ou en 14 points.

À partir de là, les règles sont géométriques. Des fragments partageant une ligne de base à un tiers de hauteur près forment une seule ligne. Des lignes consécutives séparées d'au plus une hauteur et demie forment un paragraphe. Un fragment nettement plus grand que le texte courant — à partir d'environ 1,2 fois — est un titre, et l'écart décide s'il devient H1, H2 ou H3. Deux rangées consécutives ou plus dont les cellules s'alignent sur au moins deux positions horizontales communes forment un tableau. Une gouttière verticale proche du milieu de la page la découpe en colonnes, pour que l'ordre de lecture ne fasse pas de zigzag. Les en-têtes et pieds de page courants, qui se répètent à la même position d'une page à l'autre, sont détectés et supprimés.

La mise en forme fine est lue dans la police elle-même plutôt que devinée : le gras et l'italique viennent de la graisse et de l'inclinaison réelles, et les fragments à chasse fixe deviennent du code. Les liens intégrés au PDF sont conservés comme liens Markdown.

Où l'outil se trompe

Puisque la structure est déduite, l'outil a des modes de défaillance prévisibles, et nous préférons les énumérer plutôt que vous les laisser découvrir sur un document qui comptait.

• Un document dont les titres ne se distinguent que par la graisse, sans changement de taille, ne donne rien à analyser au détecteur de titres : ces titres ressortent en paragraphes ordinaires.
• Les tableaux à cellules fusionnées, les tableaux imbriqués et les cellules dont le contenu se répartit sur plusieurs lignes perdent leur alignement, car le détecteur de colonnes travaille sur les positions horizontales et une fusion casse la grille.
• Les mises en page à colonnes plus élaborées qu'un simple partage en deux — une page de magazine avec exergues et encadrés — peuvent produire un ordre de lecture désordonné.
• La notation mathématique n'est pas convertie en LaTeX. Les formules composées en texte arrivent sous la forme des caractères qui les composent ; les formules insérées en image n'arrivent pas du tout.
• Les images ne sont pas extraites. La sortie, c'est du texte et de la structure.
• Un document numérisé ne contient aucun texte sélectionnable : la conversion dans le navigateur n'en tire donc rien. Ce cas est traité à part, par la reconnaissance optionnelle décrite plus bas.

La seule chose qui quitte votre appareil

Une numérisation est une photographie de page. Il n'y a aucun texte à l'intérieur, donc aucune analyse dans le navigateur n'en produira. La lire suppose une reconnaissance optique de caractères, qui demande bien plus de puissance de calcul qu'un onglet ne peut en offrir.

Pour ce cas, et uniquement pour celui-là, vous pouvez nous demander de faire reconnaître un document sur notre serveur. Ce n'est jamais automatique. L'outil détecte qu'un fichier n'a pas de texte sélectionnable, le signale, et propose la reconnaissance comme un choix à confirmer : une boîte de dialogue indique combien de pages seront envoyées, où elles vont et combien de temps elles sont conservées, avant que quoi que ce soit ne parte.

La reconnaissance tourne sur notre propre infrastructure, avec notre propre moteur. Le fichier reste en mémoire le temps du traitement et est détruit à la fin ; rien n'est écrit sur disque et aucun tiers ne le reçoit. Ce que nous conservons est un enregistrement d'usage — nombre de pages, horodatage, langue de reconnaissance, et soit votre identifiant de compte, soit une empreinte salée de votre adresse IP — qui sert à appliquer le quota quotidien et à repérer les abus, ne contient aucune partie de votre document, et est supprimé au bout de trente jours.

Le résultat d'une reconnaissance est une estimation, pas une transcription. Elle se trompe de caractères, surtout dans les noms, les chiffres, les dates et les références, et les mots qu'elle n'arrive pas à lire sont abandonnés plutôt que signalés. Le résultat est étiqueté en conséquence, avec l'indice de confiance du moteur et la liste des pages sur lesquelles il a le moins d'assurance. Elle ne lit pas l'écriture manuscrite et ne convertit pas les formules mathématiques.

Comment un outil gratuit se finance

Le convertisseur web est gratuit, sans inscription, et il affiche de la publicité. Autant l'écrire sur la page plutôt que vous laisser le constater : ce site gagne de l'argent avec des annonces, et il n'en gagne pas avec vos documents.

Il ne le peut d'ailleurs pas, ce qui est la raison d'être de l'architecture et non une politique que nous vous demanderions de croire. Un fichier converti dans votre navigateur ne nous parvient jamais. Il n'existe ici aucun corpus de PDF téléversés à exploiter, à utiliser pour entraîner un modèle ou à revendre, puisqu'il n'y a pas de téléversement.

La publicité n'est chargée qu'après votre consentement. Refusez la catégorie publicitaire dans le bandeau cookies et aucun script publicitaire n'est chargé — pas un script qui montre moins d'annonces : aucun. Il en va de même pour la mesure d'audience. Les deux catégories sont désactivées tant que vous ne les activez pas, et le pied de page comporte un lien pour changer d'avis plus tard.

Aucune page de ce site ne vous demande de payer quoi que ce soit : il n'y a rien à acheter, aucune formule supérieure et aucun compte à créer.

Ce que nous ne faisons pas

• Nous ne téléversons pas les documents convertis dans le navigateur : aucun chemin de code ne le permettrait.
• Nous n'exigeons ni compte, ni adresse électronique, ni connexion pour utiliser le convertisseur web.
• Nous ne stockons, n'indexons, n'entraînons rien sur, et ne vendons aucun document ni aucune sortie convertie.
• Nous ne chargeons ni publicité ni mesure d'audience avant votre consentement à la catégorie concernée.
• Nous ne revendiquons aucun droit sur les documents que vous convertissez ni sur le Markdown que vous récupérez.

Comment c'est construit

Pour qui préfère les détails techniques aux déclarations rassurantes :

Corrections

Si quelque chose est faux sur ce site — une erreur factuelle dans un guide, une conversion qui échoue d'une manière que nous n'avons pas décrite, une affirmation de cette page qui ne correspond pas au comportement de l'outil — écrivez-nous à support@mypdf2md.com : nous corrigerons et nous dirons ce qui a changé. La date en haut de cette page est celle du dernier contrôle de son contenu par rapport au produit.