Pourquoi le texte de ton PDF ressort en lettres séparées

J'ai généré un PDF depuis du HTML avec Chrome en ligne de commande. À l'œil, il était parfait. Mais quand j'en ai extrait le texte avec un outil basé sur pdf.js, mes titres de section sortaient comme ça :

E X P É R I E N C E
STA C K

Avec pdftotext (poppler), les mêmes mots sortaient entiers. Même fichier, deux lectures.

J'ai regardé l'intérieur du PDF. Dans le mien, Chrome n'écrit pas des mots mais à peu près un caractère par opération : 3 136 opérations d'affichage de texte pour 3 062 repositionnements. Chaque lettre est placée en absolu.

Mes titres avaient un letter-spacing: .13em. En retirant l'interlettrage, les mots sont ressortis entiers dans les deux outils. Je compense en taille de police :

/* avant */
h2 { letter-spacing: .13em; font-size: 8.4pt; }

/* après */
h2 { letter-spacing: 0; font-size: 9pt; }

Un PDF n'est pas du texte, c'est une liste de glyphes positionnés. Qu'il soit beau à l'œil ne garantit pas qu'une machine saura le lire.

Si le texte de ton PDF doit être trouvé, copié ou indexé, teste-le avec au moins deux extracteurs. Un seul peut te dire que tout va bien.

Amine Affif, développeur full-stack à Paris. amineaffif.com