Comment convertir un PDF en Markdown pour les LLM

En bref : extrayez le PDF en Markdown (titres, listes, tableaux), supprimez les en-têtes et pieds de page répétés, puis collez le texte dans le chat ou découpez-le selon les titres pour la recherche. Utilisez l’OCR pour les pages scannées. Un convertisseur gratuit dans le navigateur traite les fichiers isolés, une API traite les lots.

Free PDF to Markdown converter →

1. Extraire

Utilisez un convertisseur qui conserve la structure. Ouvrez le convertisseur PDF en Markdown, déposez votre fichier et téléchargez le .md. Si le résultat est presque vide, le PDF est scanné : utilisez l’OCR ou l’API.

2. Nettoyer

Supprimez les en-têtes courants, les numéros de page, les tables des matières et les mentions légales. Ils gaspillent des tokens et polluent la recherche.

3. Structurer

Vérifiez que les titres de section sont devenus des titres Markdown. Sinon, ajoutez # et ## vous-même : les titres sont ce sur quoi s’appuient aussi bien le modèle que votre outil de découpage.

4. Utiliser

Chat : collez le Markdown et demandez au modèle de citer le titre qu’il a utilisé. RAG : découpez selon les titres, limitez les morceaux à environ 500 à 1 000 tokens, stockez le chemin des titres comme métadonnée. Voir PDF to Markdown for RAG (en anglais).

5. Passer à l’échelle

Pour des centaines de fichiers, appelez l’API PDF to Markdown depuis votre pipeline. Elle détecte les tableaux, applique l’OCR aux pages scannées et ne facture que les fichiers traités avec succès.

Exemple : avant et après nettoyage

Voici ce que donne souvent une page de rapport juste après l'extraction :

Rapport annuel 2025 – Confidentiel
12
Chiffre d'affaires
Le chiffre d'affaires progresse de 12 % sur l'exer-
cice, porté par l'export.

Et après les étapes 2 et 3 :

## Chiffre d'affaires

Le chiffre d'affaires progresse de 12 % sur l'exercice,
porté par l'export.

L'en-tête répété et le numéro de page ont disparu, le mot coupé est recollé et l'intertitre est devenu un vrai titre. Sur un document de 50 pages, ces répétitions se comptent par dizaines : les retirer réduit le nombre de jetons et évite que tous les morceaux se ressemblent.

Modèle de prompt

Voici un document en Markdown entre les balises <doc>.
Réponds uniquement à partir du document. Si la réponse n'y est pas, dis-le.
Pour chaque affirmation, cite le titre de la section utilisée.

<doc>
(collez le Markdown ici)
</doc>

Question : ...

La consigne de citer le titre permet de vérifier chaque réponse en quelques secondes. Voir aussi comment donner un PDF à ChatGPT.

Liste de contrôle avant usage

• Le texte suit l'ordre de lecture, même sur les pages à deux colonnes.
• Les chapitres et sections sont des titres # et ##.
• Les tableaux ont gardé leurs lignes et colonnes ; trois chiffres vérifiés contre le PDF.
• Plus d'en-têtes, de pieds de page ni de numéros de page au milieu du texte.
• Les pages scannées ont bien du texte (sinon : OCR).

FAQ

Pourquoi du Markdown plutôt que du texte brut ?

Le Markdown conserve la structure (titres, listes, tableaux) pour presque aucun coût en tokens, ce qui améliore les réponses comme la recherche.

Combien de tokens fait une page de PDF ?

Généralement de 400 à 800 tokens de texte anglais par page, davantage pour les articles denses.

Mis à jour : novembre 2026. Les fichiers sont traités dans votre navigateur et ne sont pas envoyés.

2026-11-12