Une capture d'écran de commande Amazon multi-articles
ressemble à un fouillis — Voici pourquoi vous pouvez quand même en extraire des données propres
Vous avez acheté sept articles dans une seule commande Amazon. La page de réception affiche un bloc dense d'articles, chacun séparé par une fine ligne grise. Certains noms de produits se terminent par des points de suspension. Quelques articles portent la mention « Vendu par » en dessous, ajoutant du texte supplémentaire qui n'appartient pas à la ligne suivante. L'ensemble semble conçu pour déjouer toute tentative d'extraction automatique.
Points clés à retenir
- Sept articles Amazon empilés derrière des lignes de séparation grises ressemblent à une corvée de saisie de données — mais chaque ligne grise, nom tronqué et badge de vendeur qui rend la page chaotique donne à l'IA visuelle une carte complète des lignes avant même qu'elle ne lise un seul caractère.
- L'OCR traditionnel fragmente la page à chaque ligne grise car il les traite comme des limites de document, mais un modèle de langage visuel voit l'ensemble de la capture d'écran d'un coup et utilise ces mêmes lignes comme vous utilisez les perforations d'un reçu — pour compter les articles, pas pour les découper.
- Plus la capture d'écran de commande Amazon est dense, plus l'extraction devient rapide et précise — le fouillis visuel n'est pas du bruit pour l'IA visuelle, c'est un surplus de repères structurels gratuits qui rendent la mise en page totalement sans ambiguïté.
Pourquoi une capture d'écran Amazon multi-articles semble désespérée au premier abord
Nommons les éléments concrets qui rendent ce type de capture d'écran apparemment impossible à analyser automatiquement. Ce ne sont pas des problèmes vagues — chacun est un obstacle concret sur lequel butent les méthodes d'extraction traditionnelles.
Lignes de séparation grises. Amazon trace une fine ligne horizontale grise entre chaque ligne d'article sur la page récapitulative de commande. Pour un moteur d'OCR traditionnel — qui fonctionne en détectant des zones de texte, puis en essayant de les assembler en groupes cohérents — ces lignes ressemblent à des limites. Il traite chaque article comme sa propre zone de texte isolée, et quand quelque chose est divisé en zones isolées, le moteur doit deviner comment elles se relient entre elles. Le prix au bord droit de la zone deux appartenait-il à la zone deux ou à la zone trois ? L'OCR n'a aucun moyen de le savoir.
Noms de produit tronqués. « Logitech G502 X PLUS LIGHTSPEED Wireless Gaming Mouse with HERO 25K Sensor... » — mais sur la capture d'écran, on voit « Logitech G502 X PLUS LIGHTSP... » suivi de points de suspension. Ce texte tronqué perturbe tout système qui repose sur la lecture d'une ligne complète de gauche à droite. Un analyseur basé sur les lignes voit le nom abrégé, puis ne sait pas où commence la colonne suivante car la ligne s'arrête simplement au milieu d'un mot.
Badges de vendeur tiers. Les articles qui ne sont pas vendus directement par Amazon affichent « Vendu par [Nom du vendeur] » dans une police plus petite sous le nom du produit. Ce texte se situe entre deux articles mais appartient à la ligne précédente, pas à la suivante. Une extraction naïve le traite comme une ligne séparée ou, pire, l'ajoute aux données de l'article suivant. Dans les deux cas, le résultat est erroné.
Alignement de la quantité et du prix. Sur la page de commande Amazon, la quantité est affichée à côté du nom de l'article — « Qté : 1 » — tandis que le prix se trouve tout à droite. L'OCR traditionnel extrait le prix comme un nombre isolé flottant dans la marge de droite et doit deviner à quel article il appartient. Lorsque sept prix et sept noms d'articles sont dispersés dans le même champ visuel, le problème d'appariement se complexifie à chaque ligne supplémentaire.
Aucun de ces problèmes n'est rédhibitoire individuellement. Mais ensemble, ils transforment une capture d'écran dense multi-articles en exactement le genre de défi d'extraction de données qui fait dire aux gens « c'est trop compliqué, je vais juste le taper à la main. »
La différence entre lire des pixels et lire une page
L'OCR traditionnel et l'IA visuelle abordent la même image de manière fondamentalement différente, et cette différence compte surtout lorsque l'entrée est visuellement dense.
Un moteur d'OCR fonctionne caractère par caractère — il trouve les formes de lettres, les assemble en mots, regroupe les mots en blocs de texte par proximité, puis tente d'en déduire la structure. Lorsque les indices visuels dont il dépend (limites de colonnes claires, lignes de texte ininterrompues, espacement cohérent) sont absents ou ambigus, le résultat est des données mélangées.
Un modèle de langage visuel (VLM) fonctionne différemment. Il traite la capture d'écran entière comme une scène cohérente — de la même manière que vous ou moi regardons une photographie et comprenons immédiatement quels objets sont proches les uns des autres, lesquels sont séparés, et comment ils se rapportent spatialement. Les lignes grises ne sont pas des bordures de zones de texte — ce sont des séparateurs visuels, comme la marge entre les colonnes d'un journal. Les noms tronqués ne sont pas des lignes incomplètes — ce sont des titres qui s'étendent au-delà du cadre visible, et le VLM peut toujours associer les données qui sont visibles à la bonne ligne.
ImageToTable.ai utilise ce type d'IA visuelle. Lorsque vous lui donnez une capture d'écran Amazon avec plusieurs articles et que vous lui demandez trois colonnes — Nom de l'article, Qté et Prix — il n'essaie pas d'analyser la page comme le ferait un scanner de feuille de calcul. Il regarde l'image de manière holistique, identifie chaque région de ligne distincte en repérant les limites visuelles (les lignes grises sont un signal fort, pas une distraction), puis associe le texte de chaque région aux colonnes que vous avez demandées.
La ligne de séparation grise — qui perturbe l'OCR traditionnel — devient un ancrage structurel fiable pour l'extraction basée sur VLM. Le système peut voir : « cette ligne grise marque la fin de la ligne un. Tout ce qui est au-dessus appartient à l'article un. Tout ce qui est en dessous, jusqu'à la prochaine ligne grise, appartient à l'article deux. » Il ne devine pas — il lit la mise en page de la même manière qu'un lecteur humain, mais à la vitesse d'une machine.
La même logique s'applique pour distinguer les articles des totaux de page. « Sous-total », « Expédition », « Total de la commande » — ces éléments se trouvent sous la dernière ligne d'article, souvent formatés différemment (en gras, ou avec un fond différent). Le VLM les reconnaît comme des lignes de résumé, pas comme des produits supplémentaires. Il n'essaie pas de les forcer dans la colonne Nom de l'article.
Exemple concret : 7 articles dans une seule commande Amazon
Prenons un exemple concret. Imaginez une capture d'écran réelle de la page de confirmation Amazon — une seule commande avec sept articles différents. Voici ce que contient chaque ligne et comment l'extraction se déroule.
| Ligne | Ce que montre la capture d'écran | Nom de l'article extrait | Qté | Prix |
|---|---|---|---|---|
| 1 | "Kindle Paperwhite (11e génération) — Qté 1 — 129,99 $" | Kindle Paperwhite (11e génération) | 1 | 129,99 $ |
| 2 | "Câble USB-C vers USB-C Amazon Basics 1,8 m, tressé..." — 9,99 $ | Câble USB-C vers USB-C Amazon Basics 1,8 m | 1 | 9,99 $ |
| 3 | "Fire TV Stick 4K Max avec télécommande vocale Alexa..." + badge "Vendu par Amazon" | Fire TV Stick 4K Max | 1 | 39,99 $ |
| 4 | "Chargeur USB-C Anker 20 W, charge rapide compacte..." — Qté 2 — 14,99 $ | Chargeur USB-C Anker 20 W | 2 | 14,99 $ |
| 5 | "SSD portable Samsung T7 1 To, jusqu'à 1050 Mo/s..." — 99,99 $ | SSD portable Samsung T7 1 To | 1 | 99,99 $ |
| 6 | "Gourde isotherme Hydro Flask 950 ml, large goulot, acier inoxydable..." — 34,95 $ | Gourde isotherme Hydro Flask 950 ml, large goulot | 1 | 34,95 $ |
| 7 | "Chaussettes de randonnée en laine mérinos lot de 3, taille L, homme..." — 24,99 $ | Chaussettes de randonnée en laine mérinos lot de 3 | 1 | 24,99 $ |
| — | Sous-total → Frais de port → Total de la commande | Correctement identifiées comme lignes de résumé, pas comme des articles supplémentaires | ||
Voici comment chaque défi a été relevé :
- Lignes grises — chaque limite de ligne a été identifiée grâce au séparateur visuel entre les articles. Le VLM les a utilisées comme des marqueurs de ligne fiables.
- Noms tronqués — les lignes 2, 3, 4 et 7 ont toutes des noms de produit visiblement raccourcis se terminant par "...". L'IA a tout de même correctement associé chaque prix et quantité à sa ligne parente, car la relation spatiale (quel texte se trouve à quelle position verticale sur la page) était sans ambiguïté.
- Badges de vendeur tiers — le label "Vendu par Amazon" de la ligne 3 a été reconnu comme un sous-élément de l'article 3, et non comme un enregistrement séparé.
- Quantité en ligne — le "Qté 2" de la ligne 4 a été correctement lu et attribué au chargeur Anker, et l'IA a compris que les 14,99 $ correspondaient au prix unitaire, et non au total pour deux.
- Lignes de résumé — le Sous-total, les Frais de port et le Total de la commande ont été correctement exclus de la liste des articles. Leur formatage et leur position sont clairement distincts, et le VLM les a reconnus comme des informations de niveau méta.
Le résultat est un tableau propre de sept lignes — exactement ce que vous souhaitez si vous suivez vos dépenses, partagez les frais avec un colocataire ou enregistrez une commande pour vos dossiers professionnels.
Ce que cela signifie pour votre flux de travail
La démonstration concrète ci-dessus prouve une chose : le désordre visuel d'une capture d'écran Amazon multi-articles n'est pas un obstacle pour le bon outil d'extraction. Les lignes grises, les troncatures et les badges de vendeur tiers — ce sont des bruits de surface qu'un VLM traverse facilement.
Qu'est-ce qui change quand vous pouvez extraire de manière fiable les données de ligne de n'importe quelle capture d'écran de commande Amazon ?
Vous arrêtez de traiter chaque capture d'écran comme une tâche de saisie manuelle unique. Au lieu d'ouvrir la page de commande Amazon, de taper les articles un par un dans un tableur et de vérifier les chiffres, vous téléchargez la capture d'écran sur ImageToTable.ai, vous lui dites de quelles colonnes vous avez besoin, et vous récupérez le tableau en quelques secondes. Sept lignes qui prendraient 2 à 3 minutes à taper manuellement sont extraites en moins de 10 secondes.
Le scénario récurrent devient le plus précieux. Une seule capture d'écran est anodine — vous pourriez la recopier. Mais qu'en est-il de la commande mensuelle Amazon pour les fournitures ménagères ? Du revendeur qui passe des commandes hebdomadaires sur différents comptes Amazon ? Du comptable indépendant qui reçoit des reçus Amazon de cinq clients ? À grande échelle — une douzaine ou plus de commandes multi-articles par semaine — la saisie manuelle devient une perte de temps considérable. L'extraction automatisée la rend durable.
Vous pouvez combiner les données extraites avec d'autres sources. Les colonnes Nom de l'article, Qté et Prix peuvent aller dans le même tableur que les confirmations de paiement, les factures fournisseurs ou les rapports de dépenses. Si vous utilisez déjà ImageToTable.ai pour extraire des données d'autres types de documents, ajouter les commandes Amazon multi-articles au même flux de travail n'est qu'un format d'entrée supplémentaire que le même système gère.
Pour un guide complet étape par étape sur la façon de procéder avec un outil réel, consultez l'article compagnon Commandes Amazon avec plusieurs articles : comment extraire le nom, la quantité et le prix de chaque article à partir d'une seule capture d'écran. Cet article détaille le flux de travail pratique — celui-ci existe pour répondre à la question de savoir si c'est même possible en premier lieu.
Questions fréquentes
Que faire si la capture d'écran provient de l'application mobile Amazon au lieu d'un navigateur de bureau ? La mise en page est-elle différente ?
La page de résumé de commande de l'application mobile a une mise en page légèrement différente : les articles sont empilés verticalement avec des polices plus petites et un espacement plus serré, et les lignes de séparation grises sont plus fines. Mais la structure visuelle de base reste la même : chaque article occupe une zone de ligne distincte avec son nom, sa quantité et son prix. L'IA visuelle gère les deux formats car elle lit la page dans son ensemble plutôt que de dépendre de positions de pixels fixes. Vous pouvez mélanger des captures d'écran mobiles et de bureau dans le même lot et l'extraction s'alignera toujours correctement.
L'IA peut-elle faire la distinction entre le prix unitaire et le prix total lorsque plusieurs quantités sont commandées ?
Oui. Lorsqu'une ligne affiche « Qté 2 » et un prix de 14,99 $, l'IA reconnaît les 14,99 $ comme le prix unitaire — et non le total pour deux unités — en se basant sur la façon dont Amazon affiche généralement ces informations sur la page de résumé de commande. Si vous avez besoin du total de la ligne en tant que colonne calculée (29,98 $ = 2 × 14,99 $), vous pouvez définir une règle de colonne calculée qui multiplie la quantité par le prix unitaire lors de l'extraction. Le système prend en charge cela nativement, sans aucun post-traitement dans Excel.
Les commandes Amazon Business avec informations fiscales fonctionnent-elles de la même manière ?
Oui. Les commandes Amazon Business ajoutent une ligne « Taxe de vente » et affichent parfois les détails de l'exonération fiscale, mais la structure sous-jacente des articles est identique à celle d'une commande Amazon personnelle. Les lignes supplémentaires liées aux taxes sont traitées comme des métadonnées — elles n'encombreront pas votre liste d'articles. Si vous avez besoin du montant de la taxe dans une colonne séparée, vous pouvez ajouter « Taxe de vente » comme nom de colonne et l'IA l'extraira de l'endroit où il apparaît sur la page.
Puis-je traiter plusieurs captures d'écran de commandes Amazon à la fois, ou dois-je le faire une par une ?
Plusieurs à la fois. ImageToTable.ai est conçu comme un système de traitement par lots en priorité — vous téléchargez plusieurs captures d'écran et l'IA les traite ensemble, produisant un seul tableau unifié. Les articles de chaque capture d'écran apparaissent sous forme de lignes séparées, et si vous avez besoin de savoir quels articles proviennent de quelle commande, vous pouvez ajouter une colonne personnalisée (comme « ID de commande » ou « Source de la capture ») et l'IA identifiera le numéro de commande à partir de la page.
Que faire si la capture d'écran ne montre qu'une partie de la liste d'articles — l'IA peut-elle quand même extraire ce qui est visible ?
Oui. Si seulement six des sept articles sont visibles dans la capture d'écran, l'IA extrait ces six-là. Elle n'a pas besoin d'une page complète ou parfaitement cadrée pour fonctionner. La limite est qu'elle ne peut extraire que ce qui se trouve dans l'image que vous lui fournissez — si un article est entièrement coupé, il ne sera pas dans le résultat. Pour les commandes longues qui s'étendent sur plusieurs défilements, prenez des captures d'écran séparées de chaque section et regroupez-les par lots.