clusterRows()
Regroupement par ligne de base
Les fragments renvoyés par le moteur sont dispersés. Ils sont regroupés par ordonnée, avec une tolérance dérivée de la taille de corps médiane de la page.
Transforme un PDF en Markdown propre
Si vous construisez des pipelines documentaires ou du RAG, vous connaissez le problème : les tableaux se mélangent, les colonnes se chevauchent, et le contexte s'effondre avant même d'atteindre le modèle. The Better Inspector nettoie le document à la source, dans votre navigateur.
0Octet envoyé sur le réseau
4Classes de document
25 MoPar document
sortie markdown · exemple
# Rapport annuel 2025 rapport-annuel.pdf · 12 pages ## Chiffres clés | Indicateur | 2025 | 2024 | |---|---:|---:| - Ouverture de trois bureaux - Lancement de la plateforme
type de documentTexte natif
sortieMarkdown structuré
jetons estimés≈ 1 840
Classes de documentTexte natif · Scanné
Image · Mixte
Image · Mixte
Mise en pagecolonnes détectées
ordre de lecture reconstruit
ordre de lecture reconstruit
Structuretitres · listes · tableaux
césures recollées
césures recollées
Exécutionentièrement locale
aucun envoi réseau
aucun envoi réseau
[N.01/05]>Démo navigateur
Déposez un PDF.
Repartez avec du Markdown.
Le fichier est décodé dans un worker : regroupement des fragments par ligne de base, détection de la gouttière, remise en ordre des colonnes, classement des niveaux de titre, puis émission Markdown. Aucun octet ne sort de l'onglet, il n'y a pas de serveur derrière ce formulaire.
Déposez un PDF ici
Documents à texte natif · jusqu'à 25 Mo
Tout se passe ici : le fichier est lu en mémoire, converti, puis oublié dès que vous quittez la page. Aucun envoi, aucun compte, aucune trace côté serveur, puisqu'il n'y a pas de serveur.
Sortie Markdown
Type de document—
Pages—
Traitement—
Jetons estimés—
[N.02/05]>Économie de jetons
Un PDF déposé tel quel,
votre modèle le paie cher.
Nourrir un modèle avec un PDF brut est un cauchemar : il le rend page par page en image, ou en tire un texte où les colonnes s'entrelacent et les en-têtes se répètent. Vous payez des jetons pour de la mise en forme, et le modèle lit un document qu'il comprend mal. Nettoyer à la source règle les deux problèmes d'un coup.
// PDF brut → assistant
Ce que vous envoyez aujourd'hui
- Chaque page rendue en image, ou un texte brut sans structure
- En-têtes, pieds de page et numéros répétés à chaque page
- Colonnes entrelacées : les phrases d'une page se mélangent
- Mots coupés en fin de ligne, tableaux aplatis en bouillie
- Le temps de rendu du document s'ajoute à celui de la réponse
// converti → assistant
Ce que vous pourriez envoyer
- Du texte, rien que du texte, aucune image à facturer
- Titres, listes et tableaux dans une syntaxe que le modèle connaît
- Ordre de lecture reconstruit, césures recollées
- Nettoyage économe : chaque jeton envoyé porte du contenu
- Conversion locale, en quelques dizaines de millisecondes
La démonstration ci-dessus affiche le coût en jetons de votre propre document, et son coût par page. Un PDF envoyé tel quel est rendu page par page en image, et une image coûte bien plus qu'une page de texte : le rapport exact dépend de votre modèle, comparez avec vos propres tarifs. Le compte retenu est l'approximation usuelle d'environ quatre caractères par jeton.
[N.03/05]>Capacités
Six fonctions, et c'est tout.
Il n'y a pas de modèle, pas de service, pas de dépendance en dehors du lecteur de format. Six fonctions font le travail, et chaque carte porte le nom de celle qui l'exécute dans le fichier de cette page.
findGutter()
Détection de gouttière
La gouttière est l'abscisse centrale que le moins de rangées traversent d'un seul tenant, et qui court sur au moins 45 % de la hauteur, ce qui la distingue d'un simple écart entre colonnes d'un tableau.
orderLines()
Ordre de lecture, bande par bande
Chaque rangée est scindée à la gouttière. Colonne de gauche puis colonne de droite ; une ligne pleine largeur (titre, résumé, figure) clôt la bande et sépare deux blocs à deux colonnes.
sizeLevels()
Niveaux de titre
Les seuils absolus échouent : un article scientifique titre à 1,2× le corps, un rapport à 2×. On classe donc les tailles réellement présentes sur la page, plus une heuristique pour les intertitres numérotés ou en capitales.
segments()
Reconnaissance de tableaux
Deux rangées consécutives dont les segments s'alignent à moins de dix points près forment un tableau. Il ressort en syntaxe pipe, en-tête compris.
classify()
Classification du document
Densité de texte et opérateurs d'image par page donnent quatre classes : texte natif, scanné, image ou mixte. Le texte pivoté (tampons arXiv, filigranes de marge) est écarté avant tout traitement.
[N.04/05]>Architecture
Six étapes,
aucune boîte noire.
Le document n'est lu qu'une fois. Chaque étape a un rôle étroit et porte le nom de la fonction qui l'exécute dans le fichier de cette page, que vous pouvez lire.
toMarkdown()<script type="module">
Entrée
Le fichier déposé
Lu en mémoire par la page. Aucune requête réseau n'est émise à partir d'ici.
Étape 1
readPage()Fragments positionnés, polices, opérateurs d'image
classify()Texte natif · scanné · image · mixte
Étape 2
clusterRows()Fragments regroupés par ordonnée
findGutter()Abscisse de séparation des colonnes
Étape 3
orderLines()Rangées scindées, bandes ordonnées
sizeLevels()Niveaux de titre présents sur la page
Sortie
Markdown + estimation de jetons
Titres, listes, tableaux en syntaxe pipe, césures recollées. Le compte de jetons est calculé sur le résultat.
Tout se passe dans l'onglet.
pdf.js décode le format dans un worker ; le reste
(regroupement, colonnes, titres, tableaux) est écrit à la main dans cette page.
[N.05/05]>Limites
Ce qu'il ne fait pas.
Un outil qui ne dit pas où il s'arrête vous le fait découvrir au mauvais moment. Voici les bornes, toutes lisibles dans le code de cette page.
// hors de portée
Ce que l'outil laisse passer
- Pas d'OCR. Un PDF scanné est détecté et signalé, mais pas converti, il n'y a aucun texte à extraire.
- Ni formules ni figures. Les mathématiques et les images ne sont pas transcrites ; seule la légende ressort, si elle est en texte.
- Des heuristiques, pas un modèle. Une mise en page très inhabituelle peut être mal découpée.
// bornes chiffrées
Les plafonds
- 40 pages. Au-delà, seules les 40 premières sont traitées, et la démo vous le dit explicitement.
- 25 Mo. Un fichier plus lourd est refusé avec sa taille réelle affichée.
- ~4 caractères par jeton. L'estimation est une approximation ; le découpage exact dépend du modèle.
Essayez tout de suite
Rien à installer, rien à configurer, aucun compte. Déposez un document, le Markdown apparaît.
→ déposez un PDF à texte natif
→ copiez le Markdown
Regardez sous le capot
Le convertisseur tient dans le fichier de cette page. Aucune minification, aucun paquet : le code que vous lisez est celui qui tourne.
- Un seul fichier HTML, lisible tel quel
- Aucun appel réseau pendant la conversion
- pdf.js pour la lecture, le reste est écrit à la main