Extraire des PDF et scans avec l’IA : contrôler texte, tableaux et chiffres
Un PDF lisible à l’écran peut fournir un texte incomplet ou désordonné à un outil IA. Avant de résumer une archive ou de remplir un tableau, vérifiez ce que l’outil a réellement extrait et conservez le lien vers la page originale.

Séparer trois opérations
L’OCR reconnaît des caractères dans une image. L’analyse de mise en page reconstitue blocs et tableaux. L’extraction structurée associe des valeurs à des champs. Une réussite à une étape ne valide pas les suivantes.
- Original conservé
- Valeurs vérifiées sur la page
- Incertitude laissée visible
Du document à une donnée vérifiable
Localisez la première étape qui échoue avant de changer de modèle. Un texte bien reconnu peut encore être mal ordonné, puis associé au mauvais champ.
Texte
Comparez une page scannée et une page avec texte sélectionnable. Une page vide en sortie ne prouve pas que l’original était vide.
Structure
Relisez les colonnes dans l’ordre prévu. Associez chaque montant à son en-tête et conservez les notes qui en limitent le sens.
Champs
Pour une facture fictive, distinguez montant hors taxe, taxe et total. Une valeur absente reste absente ; elle ne vaut pas zéro.
Vérification
Gardez un renvoi à la page ou au passage d’origine et vérifiez les calculs. Le format JSON ne certifie pas l’exactitude du contenu.
Quel traitement pour votre document ?
Décrivez le fichier sans le transmettre. Ce repère oriente un essai ; il ne prédit pas la qualité d’un logiciel et ne traite aucun document.
| Fichier | Commencer par | Contrôler ensuite |
|---|---|---|
| Texte sélectionnable | Extraction du texte et de sa structure. | Ordre des colonnes, en-têtes et notes ; un PDF sélectionnable peut encore contenir des images utiles. |
| Scan ou image | OCR, puis reconstruction de la structure. | Nombres, accents, négations et cases vides face à la page originale. |
| Document mixte | Diagnostic page par page, puis traitement adapté. | Couverture de toutes les pages et cohérence entre texte natif et texte reconnu. |
Pour des champs structurés, ajoutez des règles de type, d’unité et de valeur absente, puis contrôlez les valeurs contre la page source. Pour du local, vérifiez aussi OCR, modèles de vision et extensions.
Deux approches à examiner : Docling · MarkItDown. MarkItDown vise la préparation de texte pour l’analyse ; sa conversion Markdown ne garantit pas une reproduction fidèle de la présentation. Lire le périmètre officiel.
Du document à une donnée utilisable

Illustration générée par IA 1. Identifier le document
Essayez de sélectionner et copier un passage, puis comparez-le à l’écran. Distinguez PDF texte, scan et document mixte. Repérez pages tournées, colonnes, annotations et tableaux. Vérifiez les droits et la sensibilité avant tout envoi.

Illustration générée par IA 2. Préparer les pages
Travaillez sur une copie. Redressez les pages et examinez contraste, bruit et zones coupées. La documentation Tesseract décrit l’impact de la qualité de l’image et de la segmentation sur la reconnaissance. Ne corrigez pas le texte supposé dans l’image.

Illustration générée par IA 3. Définir les champs
Écrivez un schéma simple : identifiant, valeur, unité, page et extrait justificatif. Prévoyez une valeur absente et un commentaire de doute. Distinguez zéro, vide, illisible et non applicable.

Illustration générée par IA 4. Tester des cas difficiles
Incluez une page claire, un tableau sur plusieurs pages, une note de bas de page et une valeur peu lisible. Comparez avec une transcription humaine. Une belle synthèse ne doit pas masquer une mauvaise lecture du tableau.

Illustration générée par IA 5. Réconcilier les valeurs
Contrôlez signes, séparateurs décimaux, unités, dates et en-têtes. Si un tableau contient des totaux, recalculez-les. Gardez la valeur brute avant toute conversion. Ne déduisez pas une valeur manquante uniquement pour obtenir un total cohérent.

Illustration éditoriale 6. Valider puis automatiser
Définissez les champs critiques qui imposent une revue systématique. Mesurez le temps de correction par document et gardez un échantillon de contrôle. Une modification du moteur, du prompt ou du format source exige un nouvel essai.
Choisir une conversion selon la sortie attendue
Pour alimenter une analyse de texte, un export Markdown peut suffire si les informations essentielles survivent. MarkItDown propose cette conversion ; vérifiez ses composants installés. Pour examiner la mise en page et conserver une représentation structurée, étudiez Docling et ses exports. Comparez les deux sur vos fichiers : ces fonctions documentées ne constituent pas un classement de fidélité.
Un contrôle reproductible des tableaux
Préparez trois pages fictives : un tableau simple, un tableau coupé sur deux pages et une page à deux colonnes avec une note. Pour chaque cellule critique, notez valeur attendue, valeur brute extraite, en-tête, unité et page. Comptez séparément les valeurs fausses, les omissions et les associations erronées. Un montant exact associé au mauvais client reste une erreur bloquante.
Contrôler la conversion avant le résumé
Conservez trois artefacts distincts : original, sortie du convertisseur et réponse du modèle. Si un montant manque, cherchez d’abord à quelle étape il disparaît. Réparer le prompt du résumé ne peut pas restaurer une information que la conversion n’a jamais transmise. Testez aussi la lecture de l’export dans un second outil et comptez le temps de correction.
Du PDF numérisé à la sortie utile
Pour rendre un scan recherchable, essayez OCRmyPDF et comparez les recherches dans le PDF aux caractères visibles. Pour transcrire une zone ou obtenir ses coordonnées, essayez Tesseract. Pour extraire des cellules et leur en-tête, comparez un pipeline de structure comme PaddleOCR ou Docling sur les mêmes tableaux. Pour une bibliographie scientifique en XML TEI, contrôlez les sorties de GROBID contre les renvois du PDF. Notez séparément la fidélité des mots, de la structure et de la provenance.
Mettre la méthode à l’épreuve

Cas pratique
Préparez cinq pages autorisées avec deux tableaux, une page inclinée et une valeur illisible. Définissez dix champs à extraire sans compléter les absences.

Preuves à conserver
Conservez originales, texte brut, valeurs normalisées, numéros de page et corrections humaines.

Décider
Acceptez le lot seulement si chaque champ critique a été revu et si les valeurs inconnues restent explicitement inconnues.
Détecter une extraction juste au mauvais endroit
Construisez trois pages de démonstration sans données personnelles. Comparez chaque sortie avec l’original avant de demander un résumé.

Deux lignes, deux clients
- Entrée à préparer
- Un tableau associe le client A à 120 euros et le client B à 210 euros.
- Résultat attendu
- Chaque montant reste attaché à la bonne ligne et au bon client.
- Si le contrôle échoue
- Relevez les cellules et leurs en-têtes ; un bon total ne suffit pas à valider les associations.

La note de bas de page
- Entrée à préparer
- Une offre fictive porte un astérisque renvoyant à une exclusion en bas de page.
- Résultat attendu
- L’extraction conserve le texte de la note et permet de le rattacher à l’offre.
- Si le contrôle échoue
- Examinez l’ordre de lecture et le lien entre appel de note et contenu.

La page sans résultat
- Entrée à préparer
- Un document contient une page texte, une page scannée et une page volontairement illisible.
- Résultat attendu
- Le traitement distingue extraction réussie, OCR requis et contenu non récupérable.
- Si le contrôle échoue
- Écartez le statut global « réussi » si une page manque sans signalement ; faites apparaître les limites page par page.
Règle de décision. Validez la couverture et les associations avant la qualité du résumé. Archivez original, extraction brute et décision de correction séparément.
Mesurer l’extraction

Fidélité
Valeurs exactes comparées à la page, avant normalisation.

Traçabilité
Chaque champ possède page et extrait vérifiables.

Structure
Les cellules restent associées à leurs bons en-têtes.

Coût utile
Temps de préparation et correction par document accepté.
Explorer des outils documentaires
Ces outils couvrent documents, modèles locaux et workflows. Vérifiez séparément les formats réellement pris en charge et la qualité sur votre échantillon.
OCRmyPDF
PDF numérisé avec couche texte
OCRmyPDF contributors
Voir le site officielTesseract OCR
reconnaissance optique de caractères
Tesseract contributors
Voir le site officielPaddleOCR
conversion documentaire
PaddlePaddle
Voir le site officielDocling
conversion documentaire
Docling project
Voir le site officielMarkItDown
conversion documentaire
Microsoft
Voir le site officielGROBID
extraction structurée d’articles scientifiques
grobidOrg
Voir le site officielComment cette sélection est-elle produite ?
Ces fiches sont reliées au sujet du guide dans notre catalogue éditorial. Leur présence ne constitue pas un classement ni une mesure de performance sur vos documents. Méthodologie.
Familles d’outils liées
Questions fréquentes
Faut-il de l’OCR pour tout PDF ?
Non. Certains PDF contiennent déjà du texte. Testez d’abord son extraction et l’ordre de lecture ; l’OCR ajoute une étape qui peut introduire des erreurs.
Comment traiter une cellule illisible ?
Laissez-la comme inconnue, indiquez la page et demandez une relecture. Une valeur plausible ne constitue pas une transcription.
Peut-on automatiser des montants importants ?
Définissez des contrôles adaptés à leur conséquence, dont une revue des champs critiques. Un score global élevé peut masquer une erreur rare mais coûteuse.
Les références ci-dessous approfondissent les concepts et contrôles évoqués. Les scénarios et grilles d’essai restent des propositions éditoriales ; une documentation fournisseur décrit son propre produit, pas un benchmark indépendant.
Éclairage documenté
OCR et IA : contrôler les passages extraits d'un PDF scanné
Un PDF image ne contient pas forcément un texte fidèle à la page. La reconnaissance optique peut confondre caractères, colonnes, notes et tableaux ; les Archives nationales américaines indiquent que leur OCR est souvent moins fiable qu'une transcription manuelle, notamment pour les documents manuscrits ou marqués. Avant de demander un résumé à l'IA, inspectez un échantillon des pages reconnues.
Conservez le lien entre le texte extrait et l'image source : numéro de page, zone du document et éventuelle version corrigée. Pour un contrat ou un résultat chiffré, relisez chaque passage décisif sur le scan lui-même. Si la mise en page produit une lecture incertaine, signalez cette incertitude au lieu de laisser l'IA transformer une erreur d'OCR en affirmation assurée.
Préparez un échantillon qui comprend les pages difficiles, pas seulement une première page bien imprimée : tableaux, notes, colonnes et passages peu lisibles. Pour chaque erreur observée, relevez la page et le type de confusion. Vous pourrez décider quels passages doivent être repris manuellement avant tout résumé.
Dans un tableau extrait, vérifiez l’association entre l’intitulé, la valeur et l’unité. Un nombre reconnu correctement mais déplacé dans la mauvaise colonne produit une information fausse. Gardez une version corrigée distincte de l’extraction brute et reliez vos corrections à l’image afin qu’une autre personne puisse les contrôler.
- Entrée
- Qualité de scan et ordre de lecture vérifiés.
- Extraction
- Noms, chiffres et tableaux comparés à l'image.
- Sortie
- Résumé avec pages citées et incertitudes visibles.
Un texte OCR consultable suffit-il comme preuve ?
Non. Pour une donnée importante, retournez à l'image de la page et vérifiez que l'extraction n'a pas déplacé ou altéré les caractères.
Exemple fictif — un tableau à deux colonnes
L’extraction reconnaît tous les chiffres mais inverse deux colonnes. La lectrice compare les en-têtes au scan, corrige l’association des valeurs et cite la page avant de demander une synthèse.
À vous de raisonner
L’OCR lit « 1 500 » comme « 1500 » puis rattache le chiffre à la mauvaise colonne. Quel contrôle ajouter ?
Piste de réponse : Conserver la position et les en-têtes du tableau. Un nombre correctement transcrit peut encore être attribué à une autre mesure.
Source principale : U.S. National Archives — Citizen Archivist FAQ



