Comment compter les mots d'un PDF
- Ajoutez le PDF. Touchez Choisir un PDF ou déposez le fichier sur la page. Les fichiers protégés par mot de passe le demandent d'abord.
- Attendez le passage page par page. L'outil lit tour à tour la couche de texte et les opérateurs de dessin de chaque page. Une barre de progression indique la page en cours ; un rapport de 300 pages prend quelques secondes.
- Lisez les totaux et le verdict. Cinq tuiles affichent les pages, les mots, les caractères, les caractères sans espaces et les images. En dessous, le verdict indique si le fichier a une couche de texte, semble scanné, ou est surtout composé d'images.
- Vérifiez les pages une à une. Le tableau par page donne les mêmes comptes pour chaque page ; les pages sans texte sont grisées. Au-delà de 30 pages, le tableau est replié au départ.
Ce qu'il fait
- Totaux et tableau par page : mots, caractères, caractères sans espaces, images
- Comptage des mots compatible Unicode : fonctionne pour le texte accentué, cyrillique, grec, CJK et thaï, pas seulement l'anglais
- Vous dit si le PDF a une couche de texte ou semble scanné, et renvoie vers l'outil OCR dans ce cas
- Compte les images incorporées et en ligne par page, pour voir quelles pages sont des images
- Ouvre les PDF protégés par mot de passe si vous le connaissez
- Fonctionne entièrement sur votre appareil : la seule requête réseau récupère la bibliothèque open source PDF.js
Que signifient les comptes ?
Un PDF n'est pas un fichier de traitement de texte. Il stocke des instructions de dessin (placer ce glyphe ici, cette image là) et, s'il a été produit à partir d'un document numérique, une couche de texte qui indique aux lecteurs quels caractères sont ces glyphes. Cet outil lit cette couche de texte avec PDF.js, reconstruit les lignes à partir des positions des éléments de texte et compte ce qu'il trouve. Il parcourt aussi la liste des opérateurs de chaque page pour compter les opérations de dessin d'image, ce qui lui permet de distinguer une page dactylographiée d'une page scannée.
| Compte | Ce qu'il mesure | Ce qu'il n'inclut pas |
|---|---|---|
| Pages | Les pages de l'arborescence, telles qu'un lecteur les afficherait | Les pages masquées ou supprimées encore présentes comme objets inutilisés |
| Mots | Les segments assimilables à des mots dans la couche de texte, trouvés avec le segmenteur Unicode du navigateur ; les nombres comptent, la ponctuation non | Le texte dans les images, les valeurs des champs de formulaire, les commentaires, les signets |
| Caractères | Les points de code Unicode du texte reconstruit, espaces et sauts de ligne compris | Les glyphes invisibles ou de largeur nulle que le lecteur n'affiche jamais |
| Caractères sans espaces | La même chose, moins chaque caractère d'espacement : le chiffre utilisé par beaucoup de devis de traduction et de composition | — |
| Images | Les opérations de dessin d'image : images incorporées, images en ligne, masques d'image | Les dessins vectoriels, les motifs de dégradé, le texte tracé en contours |
Combien de mots fait une page ?
Il n'y a pas de réponse fixe, cela dépend de la taille de police, des marges et de l'interligne, mais les fourchettes ci-dessous sont les repères habituels pour une page Letter ou A4, et elles aident à vérifier qu'un résultat est plausible. La ligne du scan est la plus importante : une page scannée n'a pas de couche de texte, elle compte donc zéro mot quel que soit ce qui y est imprimé.
| Type de page | Mots typiques | Caractères typiques | Images | Ce que dit l'outil |
|---|---|---|---|---|
| Lettre commerciale, 11–12 pt, interligne simple | environ 300–500 | environ 2 000–3 000 | 0–1 (logo) | A une couche de texte |
| Page de manuscrit ou de dissertation à double interligne | environ 250–300 | environ 1 500–2 000 | 0 | A une couche de texte |
| Page de contrat dense, 9–10 pt, marges étroites | environ 600–900 | environ 4 000–6 000 | 0 | A une couche de texte |
| Page de présentation (diapositive) | environ 20–80 | environ 150–600 | 1–5 | A une couche de texte (ou surtout des images) |
| Page scannée sans OCR | 0 | 0 | 1 (parfois plus si le scanner découpe en tuiles) | Semble scannée : utilisez l'outil OCR |
| Page scannée avec couche OCR | comme le texte imprimé, moins les erreurs de reconnaissance | comme l'imprimé | 1 | A une couche de texte |
Quand est-ce utile ?
- Les devis de traduction et de relecture sont facturés au mot ou aux 1 000 caractères sans espaces ; il vous faut le chiffre avant de demander un prix.
- Les limites de soumission (demandes de subvention, dépôts au tribunal, articles universitaires) sont souvent exprimées en mots ou en pages.
- Avant un OCR : un moyen rapide de savoir si un lot de PDF est déjà interrogeable, et quelles pages ne le sont pas.
- Avant un envoi par e-mail : un fichier avec des centaines d'images par page est un scan et sera volumineux ; voyez l'outil Compresser un PDF.
Si vous avez besoin des mots eux-mêmes plutôt que d'un compte, l'outil PDF en texte les extrait dans un fichier .txt avec la même reconstruction des lignes.
Quelles sont les limites ?
- Il ne compte que la couche de texte. Un scan sans OCR compte zéro ; un scan avec une mauvaise couche OCR compte les erreurs de l'OCR.
- La reconstruction des lignes est géométrique. Les mises en page à plusieurs colonnes sont lues colonne par colonne quand elles sont nettement séparées, mais les tableaux et le texte habillant des images peuvent s'entremêler, ce qui change peu le nombre de mots mais peut couper ou souder un mot à la frontière.
- Les champs de formulaire, annotations, commentaires et signets ne font pas partie du texte de la page et ne sont pas comptés.
- Les fichiers protégés par mot de passe exigent le mot de passe. Les fichiers que PDF.js ne peut pas analyser échouent avec un message.
- Les très gros fichiers sont traités page par page et les ressources de chaque page sont libérées avant la suivante, mais un scan de 1 000 pages prend quand même un moment sur un téléphone.