La décision à prendre avant de regarder le score
Un auteur qui prépare un extrait téléchargeable peut légitimement tester son titre, le nom d’un personnage et une phrase caractéristique. Les trouver est utile. Cela montre que ces requêtes ont fonctionné dans ce programme précis. Cela ne montre pas qu’un relecteur, un traducteur ou un lecteur obtiendra les mêmes caractères en copiant le paragraphe voisin dans un autre document. Rechercher, extraire du texte et comparer à un texte de référence sont des opérations différentes, même quand elles partent du même PDF.
La question pratique est ici volontairement étroite. Quand on supprime un trait d’union de fin de ligne pour rétablir un mot coupé, le procédé peut-il aussi conserver un trait d’union qui fait partie du mot ? Dans les réglages testés, la réponse est non. Deux profils de correction ont rétabli les six mots coupés par la mise en page, mais ont aussi supprimé les six traits d’union légitimes de mots composés lorsque ces mots passaient à la ligne. La recherche native par défaut du PDF a retrouvé les mots coupés par la mise en page, alors que l’extraction par défaut ne l’a pas fait.
Ce résultat suggère un contrôle avant diffusion fondé sur deux exemples opposés plutôt que sur un seul succès rassurant. Il faut inclure un mot qui doit être réuni et un mot composé qui doit garder son trait d’union. Le manuscrit original reste la référence pour décider quelle opération est correcte. Une règle automatique qui supprime tout trait d’union de fin de ligne ne peut pas deviner l’intention de l’auteur à partir de cette seule ponctuation.
Ce que contiennent les jeux de test
L’expérience utilise six micronouvelles écrites pour l’occasion, une en anglais, une en portugais, une en espagnol, une en français, une en italien et une en allemand. Chaque jeu de test comprend deux chapitres miniatures, un court récit, une note de bas de page et un petit tableau à deux colonnes représenté par trois blocs de lignes. Ces textes ont été créés pour l’expérience ; aucun roman publié, aucun manuscrit de client et aucun ebook commercial protégé n’a été téléversé ni traité. Ce sont des matériaux de test, et non un échantillon représentatif de livres du commerce.
Chaque langue dispose d’une référence canonique exacte de douze blocs de texte ordonnés. Les mêmes passages canoniques figurent dans les versions PDF, XHTML et EPUB. La référence contient aussi une carte de contrôle avec un accent décomposé, un accent composé, une ligature littérale ffi, des lettres ordinaires et un chiffre entouré. Ces exemples rendent visibles les choix de normalisation. Ils sont présents à dessein dans la source et ne sont pas traités comme des corruptions accidentelles sous prétexte qu’une autre écriture Unicode existe.
Pour l’anglais, la paire est reconciliation et well-being. Le portugais utilise reconciliação et guarda-chuva ; l’espagnol, reconciliación et teórico-práctico ; le français, réconciliation et rendez-vous ; l’italien, riconciliazione et italo-francese ; l’allemand, Wiedervereinigung et E-Mail. Ce sont des cibles de diagnostic fixées d’avance. Six réussites ou six échecs signifient six jeux de test choisis, et non une estimation du pourcentage de livres ou de lecteurs concernés dans ces langues.
Quatre conditions appariées pour les PDF
Pour chaque langue, le PDF témoin renvoie normalement à la ligne sans couper aucune des deux cibles. Une deuxième condition coupe le mot long et ajoute un trait d’union d’affichage à la coupure. Une troisième coupe le mot composé existant juste après son vrai trait d’union. Une quatrième combine les deux modifications. La grille obtenue comprend vingt-quatre PDF d’une page. Les témoins XHTML et EPUB conservent les chaînes canoniques non coupées de la source ; le CSS y autorise la césure automatique au lieu d’insérer le trait d’union d’affichage dans le texte source.
Le plan modifie la coupure de ligne indiquée et, pour la condition du mot long, le trait d’union d’affichage qui n’est pas canonique. Les autres passages, les tailles de police, l’ordre des blocs et le retour à la ligne ordinaire restent fixes. Il ne compare ni des conversions commerciales abouties ni des applications d’édition concurrentes. Le programme qui écrit les PDF place le texte explicitement ; l’intervention est donc reproductible et la réponse attendue figure dans la référence canonique. Couper un mot à un endroit choisi est une intervention de diagnostic, pas une recommandation de découpage en syllabes typographiquement élégant.
Le plan initial a été écrit avant la génération des jeux de test et l’extraction. Un pilote a ensuite révélé deux problèmes de construction : la police à empattements n’avait pas le glyphe du chiffre entouré, et la première requête d’accent pouvait correspondre à l’exemple déjà composé. Le pilote est conservé. Les jeux de test retenus ajoutent une police de symboles de remplacement sous licence ouverte et une requête unique pour la paire d’accents. La modification est déclarée, car il s’agit d’une expérience contrôlée et transparente, et non d’un préenregistrement intact ni d’une analyse de confirmation en aveugle.
Outils et opérations réellement exécutés
L’exécution hors ligne a utilisé PyMuPDF 2.0, pypdf 6.21.4 et lxml 6.1.3, avec ReportLab 5.1.0 pour écrire les jeux de test. C’étaient les versions renvoyées par l’index officiel des paquets lors de la vérification des sources. PyMuPDF utilise son extraction de texte brut par défaut et un second profil d’extraction qui active TEXT_DEHYPHENATE. Sa recherche native par défaut est mesurée à part. Un résultat de recherche native n’est pas compté comme un résultat d’extraction de texte.
Pour pypdf, l’exécution compare l’extraction simple, l’extraction avec mise en page et une règle de post-traitement déclarée. Cette règle supprime un trait d’union placé entre un caractère de mot et un saut de ligne suivi d’un autre caractère de mot. Elle n’utilise ni dictionnaire, ni détecteur de langue, ni consultation du manuscrit, ni jugement contextuel. Ses limites font donc partie de la méthode : ce n’est pas une correction ajoutée par surprise après avoir vu quels cas échouaient. L’expression exacte et les chaînes extraites complètes sont téléchargeables.
Pour XHTML, lxml parcourt les blocs du corps du document en conservant le texte en ligne et le texte situé après les balises. Pour EPUB, le script suit d’abord l’ordre de lecture du paquet, puis applique la même extraction de blocs. Les cellules de tableau reçoivent des espaces explicites et les lignes restent des blocs séparés. C’est un procédé d’extraction écrit pour l’étude à l’aide d’une bibliothèque XML ; on ne prétend pas que lxml soit un lecteur EPUB complet. La conformité EPUB et la validation de l’accessibilité sont des questions distinctes, qui n’ont pas été mesurées ici.
Rétablir un mot peut en abîmer un autre
Les six PDF témoins correspondaient à leurs références, après le regroupement déclaré des espaces, dans tous les profils d’extraction PDF. Les deux témoins de source correspondaient aussi dans les six langues : six jeux XHTML et six jeux EPUB. Ces témoins réussis comptent : ils montrent que la ponctuation, les accents, la ligature, la note de bas de page et le petit tableau testés peuvent survivre à ces chemins de source et d’extraction précis quand les coupures de diagnostic sont absentes.
Avec seulement le trait d’union de la césure, l’extraction PyMuPDF par défaut, l’extraction simple de pypdf et l’extraction de pypdf avec mise en page n’ont retrouvé aucun des six mots cibles intacts comme sous-chaîne exacte. La suppression des césures de PyMuPDF et la correction déclarée de pypdf ont retrouvé les six. Dans cette condition, ces profils de correction ont aussi rétabli le texte canonique complet, espaces regroupés. C’est le côté réussi de l’intervention, et il ne faut pas l’omettre sous prétexte que la condition du mot composé pose un problème.
Avec les deux coupures de diagnostic, les sorties corrigées ont de nouveau retrouvé le mot long dans six jeux de test sur six. Elles ont aussi transformé well-being en wellbeing, guarda-chuva en guardachuva, et les mots composés correspondants des quatre autres langues en chaînes sans trait d’union. C’est une différence mesurable par rapport à la référence choisie. Il n’est pas nécessaire d’affirmer que chaque graphie obtenue est impossible ni que tout texte réel serait mal compris. Pour la fidélité d’une citation, modifier la ponctuation exacte de l’auteur est déjà l’échec pertinent.
Pourquoi un excellent score global peut cacher une citation ratée
Les PDF aux deux coupures contiennent entre 726 et 841 points de code de référence après regroupement des espaces. Les extractions par défaut diffèrent de la référence par trois opérations d’édition ; les extractions corrigées, par une seule. Exprimer un moins la distance d’édition normalisée comme concordance de caractères donne environ 99,86 % à 99,88 % pour les sorties corrigées. C’est la description de cette comparaison précise, et non une exactitude humaine, une lisibilité ou une estimation pour une collection d’ebooks.
En même temps, aucune des six sorties corrigées avec les deux coupures n’est identique à sa référence canonique complète. Onze blocs de référence sur douze sont retrouvés comme sous-chaînes exactes ; le paragraphe du mot composé ne l’est pas. Une forte concordance sur le document entier et un passage raté peuvent donc coexister. La mesure indique de combien les chaînes diffèrent globalement. Elle ne peut pas décider si le caractère modifié appartient à un titre, à un nom, à une consigne ou à une ponctuation qu’une citation doit conserver.
Les auteurs n’ont pas à rejeter la comparaison globale. Ils doivent la compléter par des contrôles liés à l’usage réel de la diffusion. Un rapport de différences sur tout le manuscrit peut repérer des changements inattendus. Quelques passages témoins opposés peuvent révéler une correction qui réussit dans un contexte et échoue dans un autre. Aucun des deux ne remplace la relecture éditoriale, mais tous deux informent mieux que de tenir une moyenne numérique presque parfaite pour la preuve que chaque passage est prêt à être copié.
La recherche est une condition de réussite distincte
La recherche native par défaut de PyMuPDF a trouvé la requête du mot long non coupé dans les six PDF à césure seule. Son texte extrait par défaut ne contenait cette sous-chaîne non coupée dans aucun d’eux. La documentation officielle explique pourquoi ces opérations n’ont pas à concorder : la recherche et l’extraction de texte brut ont des options par défaut différentes, dont la suppression des césures. Un résultat de recherche positif est donc compatible avec une extraction par défaut qui conserve un trait d’union d’affichage et un saut de ligne.
Le diagnostic inverse compte aussi. La recherche native n’a trouvé la requête exacte du mot composé canonique dans aucun des six PDF aux deux coupures. L’étude consigne la présence des requêtes, au lieu d’interpréter des rectangles surlignés comme un test de lecture humaine. Elle ne teste ni le lecteur PDF d’un navigateur, ni Acrobat, ni Kindle, ni Kobo, ni le presse-papiers d’un système d’exploitation. Leur comportement peut différer et demande sa propre observation avant qu’un auteur n’affirme quoi que ce soit à propos de ces programmes.
Pour une diffusion, il faut garder le contrôle par la recherche et y ajouter un contrôle de l’extraction. Notez l’application ou la bibliothèque, sa version, la requête et les réglages d’exportation. Si un lecteur signale qu’une recherche fonctionne mais qu’une citation copiée change, ces notes aident à identifier l’opération qui a produit la différence. Elles évitent aussi d’attribuer à un format en général la correction d’un problème qui tient en réalité à un réglage ou à une règle de post-traitement particulière.
Normaliser ouvertement et conserver l’original
L’expérience présente séparément des comparaisons Unicode brutes, NFC et NFKC. « Brut » ne veut pas dire égalité octet par octet des fichiers : cela signifie que les espaces Unicode sont regroupées tandis que les autres points de code de la source restent inchangés. NFC normalise ensuite la référence et la sortie selon l’équivalence canonique. NFKC applique en plus la normalisation de compatibilité. La version de la base de données Unicode de Python est conservée avec l’environnement afin que l’implémentation réelle soit identifiable.
La carte de contrôle montre la distinction. Son premier « café » utilise un accent combinant, le second un caractère précomposé. La requête saisie pour la paire d’accents composés échoue en comparaison brute et réussit avec NFC. La paire « office » développée et la paire de chiffres ordinaires exigent NFKC dans ce jeu de test, car la source contient volontairement un caractère de ligature et un chiffre entouré. Ce sont des équivalences de recherche déclarées, et non une permission de réécrire en silence le manuscrit canonique ou toute citation savante.
Ni NFC ni NFKC ne règlent le problème du trait d’union de diagnostic. Un trait d’union d’affichage suivi d’une limite de ligne et un trait d’union lexical légitime traduisent des intentions d’auteur différentes, mais la seule normalisation ne reconstitue pas ces intentions. Il faut conserver un original intact et étiqueter toute copie normalisée servant à la comparaison. On peut ainsi expliquer si une différence signalée vient de l’extraction, d’une règle d’équivalence choisie ou d’un véritable changement de la source.
Le contrôle d’un auteur avant diffusion, et les limites de l’étude
Avant de diffuser un extrait, choisissez dans le vrai manuscrit final des passages : une phrase ordinaire, un nom accentué, un mot long qui passe à la ligne, une expression à trait d’union authentique, et tout tableau ou toute note que des lecteurs pourraient citer. Comparez le passage exporté exact avec le manuscrit. Testez le mot qui doit être réuni et le trait d’union qui doit rester. Si un nettoyage automatique modifie les deux, examinez ces différences au lieu d’appliquer la règle à tout le livre sans référence.
Conservez ensemble le texte source et le fichier diffusé. Quand vous révisez la typographie ou les réglages de conversion, refaites les mêmes contrôles et notez les versions des outils. Une source XHTML ou EPUB propre peut fournir un chemin de référence supplémentaire, mais cette expérience ne prouve pas que chaque liseuse, chaque programme de conversion ou chaque mise en page visuelle préserve le même comportement de copie. Ses douze témoins de source réussis ne décrivent que les fichiers et l’extracteur par blocs fournis ici.
Les fichiers téléchargeables rendent aussi le dénominateur visible. Cinq profils d’extraction PDF appliqués à vingt-quatre fichiers produisent 120 sorties de texte. Deux profils de sources structurées appliqués à six langues en ajoutent douze. Comparer chacune de ces 132 sorties selon trois règles de normalisation crée 396 lignes de mesure. Ces lignes sont des vues répétées du même petit ensemble de fichiers, et non 396 essais indépendants. De même, cinq requêtes de sous-chaîne par ligne de mesure produisent 1 980 vérifications consignées, sans augmenter le nombre de livres ou de langues d’origine. Les quarante-huit requêtes de recherche native restent dans un tableau distinct. Garder ces nombres séparés évite de faire paraître un diagnostic compact plus grand ou plus représentatif simplement parce que ses résultats sont consignés avec soin.
Des études comparatives d’extraction PDF existent déjà. DocLayNet fournit un grand jeu de données annotées sur la mise en page, et des comparaisons publiées évaluent plusieurs analyseurs selon les catégories de documents. L’apport de cette étude est plus modeste et pratique : des passages originaux appariés, des cibles opposées pour le trait d’union, des règles Unicode déclarées et des sorties brutes qui permettent à un auteur de reproduire un contrôle avant diffusion sans partager un livre privé. Elle n’offre ni certification de lecture humaine, ni verdict d’accessibilité, ni comparaison d’OCR, ni résultat causal sur les ventes, ni affirmation sur le classement dans les recherches.
La recherche et l’extraction donnent des réponses différentes
PDF : deux coupures · XHTML/EPUB : sources témoins non coupées
Graphique complet et source
Faites défiler le graphique horizontalement pour le consulter. ↔
Graphique et valeurs
Faites défiler le tableau horizontalement pour voir toutes les colonnes.
| Opération | Mot long | Mot composé réel |
|---|---|---|
| Extraction par défaut | 0 / 6 | 0 / 6 |
| Recherche native du PDF | 6 / 6 | 0 / 6 |
| Extraction avec suppression des césures | 6 / 6 | 0 / 6 |
| pypdf + règle déclarée | 6 / 6 | 0 / 6 |
| Témoin XHTML | 6 / 6 | 6 / 6 |
| Témoin EPUB | 6 / 6 | 6 / 6 |
PDF : deux coupures · XHTML/EPUB : sources témoins non coupées
Télécharger le graphique (SVG) ↓ · Télécharger le graphique (PNG) ↓
Une forte concordance laisse passer un passage raté
PDF corrigé aux deux coupures · espaces regroupés
Graphique complet et source
Faites défiler le graphique horizontalement pour le consulter. ↔
Graphique et valeurs
Faites défiler le tableau horizontalement pour voir toutes les colonnes.
| Langue | Concordance des caractères | Texte entier exact |
|---|---|---|
| EN | 99,8623 % | 0 / 1 |
| PT | 99,8661 % | 0 / 1 |
| ES | 99,8721 % | 0 / 1 |
| FR | 99,8705 % | 0 / 1 |
| IT | 99,8767 % | 0 / 1 |
| DE | 99,8811 % | 0 / 1 |
Chaque sortie corrigée perd un vrai trait d’union ; 11 blocs sur 12 concordent.
Télécharger le graphique (SVG) ↓ · Télécharger le graphique (PNG) ↓
Données et téléchargements
Faites défiler le tableau horizontalement pour voir toutes les colonnes.
| Opération | Mot long | Mot composé réel |
|---|---|---|
| Extraction par défaut | 0 / 6 | 0 / 6 |
| Recherche native du PDF | 6 / 6 | 0 / 6 |
| Extraction avec suppression des césures | 6 / 6 | 0 / 6 |
| pypdf + règle déclarée | 6 / 6 | 0 / 6 |
| Témoin XHTML | 6 / 6 | 6 / 6 |
| Témoin EPUB | 6 / 6 | 6 / 6 |
PDF : deux coupures · XHTML/EPUB : sources témoins non coupées
Faites défiler le tableau horizontalement pour voir toutes les colonnes.
| Langue | Concordance des caractères | Texte entier exact |
|---|---|---|
| EN | 99,8623 % | 0 / 1 |
| PT | 99,8661 % | 0 / 1 |
| ES | 99,8721 % | 0 / 1 |
| FR | 99,8705 % | 0 / 1 |
| IT | 99,8767 % | 0 / 1 |
| DE | 99,8811 % | 0 / 1 |
Chaque sortie corrigée perd un vrai trait d’union ; 11 blocs sur 12 concordent.
Données et méthode
Notre méthode de calcul
- Les jeux de test synthétiques choisis ne représentent ni des livres, ni des lecteurs, ni la fréquence des phénomènes selon les langues. Deux moteurs PDF et une procédure d’extraction commune aux sources structurées ont été testés.
- Une correction du pilote (police et requête d’accent) est déclarée. Les coupures de ligne décalent verticalement les lignes suivantes. Les 396 lignes répètent 132 sorties sous trois normalisations.
Ce que les données ne permettent pas de conclure
- Les jeux de test synthétiques choisis ne représentent ni des livres, ni des lecteurs, ni la fréquence des phénomènes selon les langues. Deux moteurs PDF et une procédure d’extraction commune aux sources structurées ont été testés.
- La présence dans une recherche, l’égalité de chaînes normalisées, la lisibilité humaine et l’accessibilité sont des résultats distincts. Ni le presse-papiers d’une liseuse commerciale, ni l’OCR, ni la conformité EPUB, ni l’indexation, ni le classement, ni les ventes n’ont été testés.
- Une correction du pilote (police et requête d’accent) est déclarée. Les coupures de ligne décalent verticalement les lignes suivantes. Les 396 lignes répètent 132 sorties sous trois normalisations.
Sources originales
- DocLayNet document-layout dataset
Grand jeu de données de mise en page existant ; contexte, et non donnée d’entrée de cette expérience à fichiers originaux.
Consulté le 31 octobre 2026
- Adhikari and Agarwal (2024), A Comparative Study of PDF Parsing Tools Across Diverse Document Categories, arXiv:2410.09871
Comparaison antérieure de dix outils PDF sur six catégories de documents ; on ne prétend pas que l’évaluation comparative des analyseurs soit nouvelle.
Consulté le 31 octobre 2026
- Meuschke et al. (2023), A Benchmark of PDF Information Extraction Tools using a Multi-Task and Multi-Domain Evaluation Framework for Academic Documents, arXiv:2303.09957
Évaluation comparative existante de l’extraction multitâche de documents académiques.
Consulté le 31 octobre 2026
- PyMuPDF documentation: Constants and Enumerations (vars.html)
Définitions officielles des options de suppression des césures et de conservation des ligatures.
Consulté le 31 octobre 2026
- PyMuPDF documentation: Appendix 1, Details on Text Extraction (app1.html)
Explication officielle de l’ordre d’extraction et des options de recherche par défaut différentes.
Consulté le 31 octobre 2026
- pypdf documentation: Extract Text from a PDF
Méthodes officielles d’extraction simple et avec mise en page, et leurs ambiguïtés.
Consulté le 31 octobre 2026
- lxml documentation: The lxml.etree Tutorial
Parcours XML officiel et traitement du texte situé après les balises, utilisés pour les témoins de source.
Consulté le 31 octobre 2026
- Unicode Standard Annex #15: Unicode Normalization Forms
Les normalisations canonique et de compatibilité sont distinctes ; le texte source est conservé.
Consulté le 31 octobre 2026
- PyMuPDF 2.0 release on PyPI
Version et licence officielles fixées ; version réellement installée conservée.
Consulté le 31 octobre 2026
- pypdf 6.21.4 release on PyPI
Version et licence officielles fixées ; version réellement installée conservée.
Consulté le 31 octobre 2026
- lxml 6.1.3 release on PyPI
Version et licence officielles fixées ; version réellement installée conservée.
Consulté le 31 octobre 2026
- ReportLab 5.1.0 release on PyPI
Version et licence officielles fixées ; version réellement installée conservée.
Consulté le 31 octobre 2026
Citer et réutiliser cette étude
Alisson Bento. Quand la recherche dans un ebook réussit mais que le texte extrait change : une expérience en six langues. 2026. https://alissonbento.com/fr/research/ebook-search-copy-text-preservation-six-languages/
Les jeux de test originaux, les résultats chiffrés et les figures sont attribués à Alisson Bento ; les outils et polices de tiers conservent leurs propres licences.
Corrections ou questions éditoriales