Qu'est-ce que le PDF ? Structure, histoire et conversion

Quand vous envoyez un contrat par e-mail, vous voulez qu'il s'ouvre chez votre destinataire avec la même mise en page, les mêmes polices et les mêmes sauts de page. Le PDF (Portable Document Format) a été conçu précisément pour cela. Aujourd'hui, la plupart des documents considérés comme « définitifs », des factures aux décisions de justice en passant par les articles scientifiques et les cartes d'embarquement, circulent en PDF. Cet article explique d'où vient le PDF, ce que contient le fichier, quelles versions existent et ce qui est conservé ou perdu quand on convertit un PDF dans un autre format.

Qu'est-ce que le PDF ?

Le PDF est un format de fichier qui décrit chaque page d'un document avec une apparence figée. Dans les formats d'édition comme Word, le texte « coule » : réduisez la fenêtre ou changez la police, et les lignes se recomposent. Dans un PDF, la position de chaque caractère, de chaque trait et de chaque image sur la page est fixée à l'avance. Le fichier réunit dans un seul paquet le texte, les polices (généralement incorporées), les images et les graphiques vectoriels. Le document s'affiche donc de la même manière sur un ordinateur qui ne possède pas l'application d'origine, sur un téléphone ou sur une imprimante.

Ce choix a un prix : le PDF est un format de sortie. Il ne contient pas toujours d'informations sémantiques comme les paragraphes, les titres ou les tableaux. Bien souvent, il ne renferme que des instructions du type « dessine ces glyphes à cette coordonnée ». Garder cette distinction en tête permet de comprendre pourquoi il est difficile de modifier un PDF ou de le retransformer en document Word.

Un peu d'histoire

Le PDF remonte à une proposition rédigée en 1991 par John Warnock, cofondateur d'Adobe, sous le nom de « The Camelot Project ». L'objectif : capturer des documents depuis n'importe quelle application, puis les afficher ou les imprimer sur n'importe quelle machine. Selon Adobe, le projet était devenu le PDF dès 1992, et le PDF ainsi que le logiciel Acrobat qui permet de le lire ont été lancés le 15 juin 1993.

Pendant ses quinze premières années, le PDF est resté une spécification d'Adobe, enrichie au fil des versions : formulaires interactifs (AcroForms) en 1.2, transparence et métadonnées XMP en 1.4, puis calques, flux d'objets et flux de références croisées en 1.5, publiée en août 2003. Le vrai tournant date de 2008 : le 1er juillet 2008, le PDF 1.7 devient la norme internationale ISO 32000-1:2008 et la gouvernance du format passe à un comité de l'ISO. Le PDF 2.0 (ISO 32000-2) suit en 2017, avec une deuxième édition corrigée en décembre 2020. Depuis avril 2023, la PDF Association propose l'ISO 32000-2 en téléchargement gratuit.

Pour donner un ordre de grandeur : dans un billet de blog de juin 2023, Adobe indiquait que ses clients avaient ouvert plus de 400 milliards de PDF dans les produits Acrobat au cours de l'année écoulée. Ce chiffre ne concerne que les produits Adobe ; les lecteurs intégrés aux navigateurs et les autres logiciels n'y sont pas comptés.

Que contient un fichier PDF ?

Ouvrez un PDF dans un éditeur de texte : la première ligne affiche un marqueur de version comme %PDF-1.7. Le reste du fichier se compose de quatre parties principales :

1. En-tête : la première ligne, qui déclare le format et la version.
2. Corps : les « objets indirects » qui composent le document. Chaque objet possède un numéro d'objet et un numéro de génération. Pages, polices, images et flux de contenu sont tous des objets.
3. Table de références croisées (xref) : elle indique la position en octets de chaque objet, ce qui permet à un lecteur d'accéder directement à n'importe quelle page sans parcourir tout le fichier. Depuis le PDF 1.5, elle peut aussi être stockée sous forme de « flux xref » compressé.
4. Trailer et fin de fichier : un dictionnaire qui pointe vers le catalogue du document (/Root), suivi de startxref (l'endroit où commence la table xref) et du marqueur %%EOF.

Voici un exemple simplifié :

%PDF-1.7
1 0 obj << /Type /Catalog /Pages 2 0 R >> endobj
2 0 obj << /Type /Pages /Kids [3 0 R] /Count 1 >> endobj
3 0 obj << /Type /Page /Parent 2 0 R /Contents 4 0 R >> endobj
4 0 obj << /Length 44 >> stream
BT /F1 12 Tf 72 720 Td (Hello) Tj ET
endstream endobj
xref ...
trailer << /Root 1 0 R /Size 5 >>
startxref ...
%%EOF

Le contenu réel de la page se trouve dans le flux de contenu. Dans l'exemple, le bloc BT ... ET est un objet texte, Tf choisit la police et la taille, Td fixe la position et Tj dessine le texte. Remarquez qu'il n'y a ici aucune notion de « paragraphe » ou de « titre », seulement des glyphes positionnés. Même une seule ligne visuelle est souvent découpée en plusieurs fragments.

Autre particularité du PDF : la mise à jour incrémentale. Quand vous ajoutez un commentaire ou une signature, le logiciel peut ajouter de nouveaux objets et une nouvelle section xref à la fin du fichier au lieu de tout réécrire. Les signatures numériques s'appuient sur ce mécanisme pour préserver l'intégrité du contenu signé.

Profils et sous-normes PDF

À côté de l'ISO 32000 existent des profils PDF restreints, destinés à des usages précis. Le plus connu est le PDF/A, conçu pour l'archivage à long terme. Sa première partie, PDF/A-1, a été publiée sous la référence ISO 19005-1 en octobre 2005. Un fichier PDF/A doit incorporer toutes ses polices, définir les couleurs de manière indépendante du périphérique et inclure des métadonnées XMP ; le chiffrement, le JavaScript, l'audio, la vidéo et les dépendances externes y sont interdits. C'est pourquoi les services d'archives et les administrations demandent souvent du PDF/A.

Une distinction plus concrète sépare les PDF textuels des PDF numérisés. Un fichier produit avec « Enregistrer au format PDF » depuis Word ou un navigateur contient du vrai texte, que l'on peut sélectionner, rechercher et copier. Une feuille passée au scanner n'est qu'une image placée dans un PDF. Pour en extraire le texte, il faut un OCR (reconnaissance optique de caractères).

Où utilise-t-on le PDF ?

• Courriers juridiques et administratifs : contrats, requêtes et décisions, grâce notamment à la prise en charge de la signature numérique.
• Comptabilité et commerce en ligne : factures, reçus et relevés bancaires.
• Édition et impression : fichiers prêts à imprimer, livres numériques et catalogues.
• Monde universitaire : articles, thèses et supports de cours.
• Formulaires : demandes et déclarations à remplir.
• Archivage : documents à conserver pendant des décennies, au format PDF/A.

Points forts et points faibles

Quels programmes ouvrent les PDF ?

Vous aurez rarement besoin d'installer quoi que ce soit. Chrome, Edge, Firefox et Safari intègrent tous une visionneuse PDF. Aperçu ouvre les PDF sur macOS, et Edge le fait sous Windows. Pour l'édition avancée, la conception de formulaires et la signature, Adobe Acrobat reste le choix courant. Microsoft Word peut aussi ouvrir un PDF et tenter de le transformer en document modifiable, avec un résultat qui dépend de la complexité du fichier. Sous Linux, Evince, Okular et les outils Poppler sont très répandus.

Problèmes courants et solutions

Le texte copié depuis un PDF sort dans le désordre

Un PDF peut stocker le texte dans l'ordre de dessin plutôt que dans l'ordre de lecture. Dans un article sur deux colonnes, les lignes peuvent s'entremêler, et certaines polices sont incorporées sans correspondance Unicode, si bien que les caractères accentués peuvent sembler cassés. Convertir le PDF en TXT ou en Word donne généralement un résultat plus propre qu'un copier-coller depuis la visionneuse.

Le fichier est chiffré et ne s'ouvre pas ou ne se convertit pas

Un PDF peut comporter deux types de mot de passe : un mot de passe d'ouverture et un mot de passe de permissions (pour la modification ou l'impression). Aucun convertisseur ne peut lire un fichier protégé par un mot de passe d'ouverture sans le connaître. Si vous avez le mot de passe, ouvrez le fichier, retirez la protection, enregistrez-le de nouveau, puis convertissez-le.

Impossible de faire une recherche dans un PDF numérisé

Le fichier contient des images, pas du texte : la recherche et la copie ne fonctionnent donc pas. Il faut un logiciel d'OCR pour ajouter une couche de texte.

Les polices ne ressemblent pas à l'original

Si l'application qui a créé le fichier n'a pas incorporé les polices, la visionneuse les remplace par des polices proches. Activer l'option « incorporer les polices » à l'export, ou enregistrer en PDF/A, évite ce problème.

Conseils pour convertir des fichiers PDF

Convertir un PDF revient à reconstruire une mise en page figée sous forme de document fluide : même le meilleur outil doit donc faire des déductions. Voici comment procède notre convertisseur : quand vous convertissez un PDF en Word, le fichier est envoyé sur notre serveur, les outils open source Poppler lisent chaque fragment de texte avec sa position, puis les lignes sont regroupées en paragraphes. La mise en forme des caractères, comme le gras et l'italique, ainsi que l'ordre de lecture sont en grande partie conservés, mais les pages à plusieurs colonnes, les tableaux complexes et les blocs positionnés peuvent ne pas correspondre exactement à l'original. Les fichiers envoyés sont supprimés du serveur dans les 30 minutes.

• Si vous n'avez besoin que du texte, convertir un PDF en TXT donne le résultat le plus propre : la mise en forme disparaît et il reste un texte brut lisible.
• Si vous voulez conserver l'aspect de la page sur le web, la conversion PDF en HTML place le texte à ses positions d'origine sur la page.
• Les PDF numérisés ne contiennent pas de texte : notre convertisseur ne peut donc pas en extraire de texte modifiable. Passez d'abord par un OCR.
• Les PDF chiffrés ne peuvent pas être convertis ; un message vous invitera à retirer le mot de passe.

Dans l'autre sens, c'est plus simple. Avec Word en PDF, les fichiers DOCX, DOC et RTF passent directement en PDF via LibreOffice, sans étape intermédiaire : la mise en page, les en-têtes et pieds de page, les tableaux et les images sont conservés. Si vous avez utilisé une police qui n'est pas installée sur le serveur, elle peut être remplacée par une police proche. Les sources comme le HTML, le Markdown et le TXT sont mises en page sur des feuilles A4, puis imprimées en PDF par un moteur de navigateur.

Questions fréquentes

Quand le PDF a-t-il été créé ?

L'idée remonte à la proposition Camelot de John Warnock, en 1991. Le PDF et Acrobat ont été lancés le 15 juin 1993, et le format est devenu la norme internationale ISO 32000-1 en 2008.

Quelle différence entre le PDF 1.7 et le PDF 2.0 ?

Le PDF 1.7 est la dernière version d'Adobe, normalisée sous la référence ISO 32000-1 en 2008. Le PDF 2.0 (ISO 32000-2) a été entièrement développé au sein de l'ISO, publié en 2017 puis corrigé dans une édition de 2020. Au quotidien, les deux s'ouvrent dans les mêmes programmes.

Qu'est-ce que le PDF/A et quand l'utiliser ?

Le PDF/A est un profil PDF restreint, destiné à l'archivage à long terme. Il impose l'incorporation des polices et interdit des fonctions comme le chiffrement et le JavaScript. Choisissez-le lorsqu'un document doit s'ouvrir de la même façon dans plusieurs années, ou lorsqu'un organisme l'exige.

Pourquoi la mise en page se dégrade-t-elle quand je convertis un PDF en Word ?

Parce qu'un PDF ne contient généralement aucune information de paragraphe ou de tableau, seulement des glyphes positionnés. Le convertisseur doit reconstruire les lignes et les paragraphes à partir de ces fragments. Les documents simples sur une colonne se convertissent très bien ; les pages à plusieurs colonnes ou chargées de tableaux peuvent demander des retouches manuelles.

Peut-on transformer un PDF numérisé en texte modifiable ?

Il faut pour cela un OCR. Notre convertisseur ne fait pas d'OCR ; il ne transfère que le texte réellement présent dans le PDF. Passez d'abord le document numérisé dans un logiciel d'OCR, puis convertissez-le.

Est-il sûr de convertir mes PDF ?

La conversion de documents se fait sur notre serveur. Le fichier sert uniquement à la conversion et il est supprimé dans les 30 minutes. Pour des documents très confidentiels, vous pouvez toutefois préférer ne les envoyer à aucun service en ligne.

Sources

• Adobe : What is a PDF? (le projet Camelot et la naissance du PDF)
• Blog Adobe : Celebrating 30 years of digital transformation with Adobe Acrobat (15 juin 2023)
• Library of Congress : description du format PDF 1.5
• Library of Congress : PDF/A-1, ISO 19005-1:2005
• Wikipédia (anglais) : PDF (histoire et structure du fichier, source secondaire)
• Bibliothèque de rendu PDF Poppler