Ce qu'est vraiment un PDF, et pourquoi on ne peut pas toujours en copier le texte

Un PDF est une liste d'instructions de dessin. Il dit de placer tel glyphe à telle coordonnée, dans telle police, à telle taille, puis de se déplacer ici et de dessiner le suivant. Il ne dit pas que ceci est un titre, que cela est un paragraphe, que cette colonne précède celle-là. Tout ce qu'un lecteur semble savoir de la structure d'une page a été reconstruit après coup en mesurant les écarts entre les marques, ce qui explique l'essentiel de ce qui est frustrant avec les PDF.

Ce qu'un PDF stocke réellement

Le texte d'une page vit dans un flux de contenu, une courte suite d'opérateurs :

BT
  /F1 11 Tf
  72 708 Td
  [(In) -18 (v) 22 (oice)] TJ
  180 0 Td
  (2026-08-25) Tj
ET

Tf choisit une police et une taille, Td déplace le curseur de texte, et TJ dessine des glyphes avec des décalages de crénage entre eux. Notez ce qui manque : aucun caractère d'espace nulle part. L'écart avant la date est un saut de 180 unités, et un extracteur doit décider si chaque saut est une espace, une tabulation, une limite de colonne ou rien du tout. Un seuil légèrement décalé vous donne Invoice2026-08-25 ou I n v o i c e.

L'ordre de lecture pose le même problème : les glyphes sortent dans l'ordre où ils ont été dessinés. Une mise en page à deux colonnes dessine souvent la colonne de gauche jusqu'en bas de page puis celle de droite, auquel cas la copie fonctionne ; si le générateur a dessiné ligne par ligne à travers la feuille, la copie entrelace les colonnes en un charabia.

Distinguer un PDF texte d'une numérisation

Un document numérisé ne contient aucun texte : c'est une photographie de page emballée dans un PDF. La reconnaissance optique de caractères ajoute une couche de texte invisible par-dessus l'image, ce qui rend le fichier consultable, mais cette couche est une supposition, et ses erreurs remontent sous forme de recherches infructueuses et de copies déformées.

Polices, incorporation et sous-ensembles

Une police est soit incorporée, c'est-à-dire que le programme de police se trouve à l'intérieur du fichier, soit référencée par son nom et ses métriques, auquel cas le lecteur cherche quelque chose de similaire sur la machine qui l'affiche. Les polices référencées expliquent qu'un document ait bonne allure là où il a été créé et mauvaise ailleurs : le substitut a d'autres chasses de caractères, si bien que les lignes se recomposent, que les tableaux débordent et qu'une lettre d'une page en devient deux.

Les polices incorporées sont presque toujours réduites à un sous-ensemble. Seuls les glyphes employés y figurent, et ils sont fréquemment renumérotés, si bien que le glyphe du A peut se retrouver au code 3. La correspondance vers les vrais caractères vit dans une table ToUnicode distincte, et lorsqu'elle manque ou qu'elle est fausse, la page s'affiche parfaitement alors que le texte copié arrive en charabia, parce qu'on vous remet des codes de glyphes internes plutôt que des caractères. Réenregistrer n'y remédiera pas ; les issues sont le document source ou une reconnaissance sur des pages rendues en image.

Taille de page, boîtes et rotation

Les coordonnées s'expriment en points, à raison de 72 par pouce, et chaque page porte plusieurs rectangles. La MediaBox est la feuille entière ; la CropBox est la région réellement affichée, qui peut être plus petite.

L'A4 et le Letter ont exactement la même allure à l'écran et diffèrent sur le papier, si bien que fusionner un rapport européen avec un rapport américain donne des pages qui alternent de taille.

Chaque page porte aussi un indicateur de rotation de 0, 90, 180 ou 270 degrés, pour qu'un contenu stocké de travers puisse être affiché à l'endroit. Pivoter un PDF pose cet indicateur plutôt que de redessiner quoi que ce soit, ce qui le rend instantané et sans perte, mais les coordonnées en dessous restent inchangées : un outil qui ignore l'indicateur extrait le texte de travers, et fusionner des pages aux indicateurs mélangés donne un document qui a l'air cohérent alors que son contenu se trouve dans plusieurs orientations.

Fusionner, diviser, et les parties qui cassent

Les pages vivent dans un arbre de pages. Fusionner des PDF copie les objets de page et tout ce qu'ils référencent dans un seul fichier puis reconstruit cet arbre ; Diviser un PDF en prend une branche. Les pages passent intactes, ce qui est attaché au document pas toujours.

• Les signets forment un plan distinct qui pointe vers des objets de page. Beaucoup d'outils de fusion l'abandonnent entièrement, et une division laisse des entrées visant des pages qui ne sont plus là.
• Les champs de formulaire sont nommés au niveau du document, pas de la page : fusionner deux copies d'un même formulaire donne donc deux champs appelés name, que beaucoup de lecteurs traitent comme un seul champ à valeur partagée, si bien que remplir l'un remplit l'autre. Aplatissez-les ou renommez-les au préalable.
• Les annotations comme les liens et les commentaires voyagent avec leurs pages, mais un lien interne dont la page cible a été laissée de côté lors d'une division n'a nulle part où aller.

Un fichier fusionné est souvent plus gros que ses parties, car les ressources partagées se dupliquent : quatre sources ayant chacune incorporé un sous-ensemble de la même police donnent quatre sous-ensembles, plus quatre profils colorimétriques et quatre blocs de métadonnées. Il peut aussi en sortir plus petit, car la réécriture jette les objets inutilisés et l'historique d'enregistrement : un document enregistré trente fois transporte chacune de ses révisions antérieures ajoutées à la suite.

Mots de passe, permissions et balisage

Il existe deux sortes de mots de passe, et elles ne sont pas comparables. Un mot de passe utilisateur est exigé pour ouvrir le document : le contenu est véritablement chiffré avec une clé qui en dérive, et sans lui il n'y a donc rien à lire. Les fichiers modernes emploient l'AES-256, les très anciens le RC4 sur 40 bits, qui est faible.

Un mot de passe propriétaire fixe des indicateurs de permission comme l'interdiction d'imprimer, de copier ou de modifier. Le fichier reste chiffré, mais avec une clé que n'importe quel lecteur peut dériver sans aide, puisque le mot de passe utilisateur est vide. Ces indicateurs sont une demande, respectée par certains lecteurs et ignorée par d'autres : si un fichier s'ouvre sans rien demander, ses restrictions sont indicatives, quoi qu'en dise la fenêtre des propriétés.

Le balisage est une autre couche : un arbre de structure facultatif qui marque les titres, les listes, les cellules de tableau et les descriptions de figures, et qui fixe un ordre de lecture. Un lecteur d'écran lit un PDF balisé ; sur un PDF non balisé, il devine à partir des coordonnées, ce qui produit le même résultat brouillé que le copier-coller. Les numérisations sont non balisées par définition, la reconnaissance ajoute du texte mais aucune structure, et la sortie d'Images vers PDF ou de PDF vers images n'a ni l'un ni l'autre.

Où se trouve le poids, et ce que le navigateur peut contenir

La taille du fichier tient presque toujours aux images. Une page A4 réclame environ 1240 sur 1754 pixels à 150 dpi et 2480 sur 3508 à 300 dpi, si bien qu'une photographie placée en 12 mégapixels transporte bien plus de données que l'impression ne peut en exploiter, et le sous-échantillonnage est le seul changement qui réduise un document de façon fiable. Réenregistrer un PDF composé uniquement de texte n'apporte presque rien, car ses flux de contenu sont déjà compressés ; quand l'un d'eux est étonnamment gros, regardez du côté des polices incorporées, de l'historique d'enregistrement ou des pièces jointes.

Tout cela se passe localement dans le navigateur, si bien que rien n'est envoyé et que la limite est la mémoire plutôt que la taille du fichier. Le rendu est la partie coûteuse : une page A4 à une échelle de 4x fait environ 2380 sur 3368 pixels, soit à peu près 32 Mo de bitmap non compressé pour une seule page, et cinquante pages à cette échelle épuisent donc un onglet de navigateur bien avant d'inquiéter la machine. Divisez d'abord un très gros document, puis travaillez par lots.