Pourquoi l'extraction de tableaux avec
cellules fusionnées échoue-t-elle ? 4 causes courantes et solutions

Ça vous dit quelque chose ?

Si vous êtes ici, l'un de ces scénarios correspond probablement à ce que vous avez sous les yeux :

• Des cellules vides dans des colonnes qui devraient contenir des données. Une étiquette de catégorie fusionnée (« Chiffre d'affaires T1 ») qui s'étend sur trois lignes — la première ligne contient le texte, les deux suivantes sont vides.
• Des données ont dérivé dans la mauvaise colonne. Des valeurs qui devraient être sous « Montant » se retrouvent sous « Description » parce que l'en-tête fusionné a perturbé la détection des limites de colonne.
• Des en-têtes de colonne manquants ou mélangés. Un bloc d'en-tête sur deux lignes où « Détails du produit » s'étend sur cinq colonnes — l'extraction l'a réduit à une seule colonne.
• Les lignes ne correspondent pas. La source a 14 lignes de données mais le résultat en affiche 9, ou vice versa, parce que les limites des lignes fusionnées ont été mal comptées.

Chacun de ces symptômes pointe vers une cause racine différente. La bonne nouvelle : une fois que vous savez quel modèle est en jeu, la correction est simple.

Vue d'ensemble : pourquoi les cellules fusionnées cassent l'extraction

Un tableau est une grille — des lignes et des colonnes formant des cellules, chacune contenant une valeur. Une cellule fusionnée combine des cellules adjacentes en une seule unité visuelle. Cela ressemble à une grande cellule à l'écran, mais la structure sous-jacente les traite toujours comme des cellules séparées — dont une seule contient réellement des données.

C'est cet écart entre l'apparence visuelle et la réalité structurelle qui fait trébucher les outils d'extraction. Que vous utilisiez une OCR traditionnelle ou un modèle d'IA visuelle, le moteur d'extraction doit décider : « Comment mapper cette étendue visuelle à une grille propre ? » C'est là que les choses tournent mal.

Cause racine n°1 : L'OCR ligne par ligne ne gère pas la structure 2D

Symptômes

Le texte est bien présent, mais la correspondance lignes-colonnes est erronée. Une ligne qui devrait être « Pièce A | 12,50 € | 3 | 37,50 € » devient « Pièce A | 12,50 € | » et les valeurs restantes sont rejetées à la ligne suivante. Les cellules fusionnées qui s'étendent sur plusieurs lignes produisent des lignes vides dans le résultat.

Cause racine : Fracture des coordonnées

Les moteurs OCR classiques traitent les documents de manière séquentielle — lignes de haut en bas, mots de gauche à droite. Cela fonctionne pour les paragraphes. Pour les tableaux, ils traitent chaque bloc de texte comme une ligne indépendante, sans comprendre l'alignement vertical qui définit une colonne.

Voici un exemple concret. Imaginez un bon de commande avec une cellule fusionnée « Fournitures de bureau » qui s'étend sur trois lignes :

Un moteur OCR linéaire lit ceci comme :

Ligne 1 : « Fournitures de bureau » | « Cahiers » | « 10 » | « 3,50 € »
Ligne 2 : « Stylos (boîte) » | « 5 » | « 8,00 € »
Ligne 3 : « Agrafeuse » | « 2 » | « 12,00 € »

Remarquez ce qui s'est passé : « Fournitures de bureau » a été lu sur la ligne 1 en même temps que les données réelles de cette ligne, car l'OCR l'a trouvé à la même position verticale. Sur les lignes 2 et 3, le moteur OCR ignore que « Fournitures de bureau » s'applique toujours à ces lignes — le texte n'est physiquement pas présent. Le résultat est une extraction où la colonne Catégorie est vide pour les lignes 2 et 3, ce qui brise toute analyse ultérieure par catégorie.

La solution

Prétraitement : détecter les limites des cellules fusionnées avant l'extraction. Certains outils (dont ImageToTable.ai) analysent d'abord la mise en page du document — en identifiant la grille du tableau, y compris les fusions — avant de lire le texte. En comprenant la structure 2D complète en amont, le moteur d'extraction sait que « Fournitures de bureau » occupe les lignes 1 à 3 et peut propager cette valeur sur les trois lignes dans le résultat. Si votre outil actuel ne le fait pas, cherchez-en un qui effectue une analyse de mise en page en phase distincte avant l'OCR ou l'extraction de texte — c'est l'amélioration la plus importante par rapport à l'extraction ligne par ligne.

Cause racine 2 : ambiguïté des fusions — la cellule qui appartient à tout le monde

Symptômes

Un en-tête de colonne fusionné fait que les données apparaissent sous le mauvais en-tête. Par exemple, un tableau avec les en-têtes « Détails du produit | T1 | T2 | T3 | T4 » où « Détails du produit » couvre deux sous-colonnes (« Article » et « SKU ») — le résultat extrait fusionne les deux sous-colonnes en une seule, ou duplique les valeurs entre elles.

Cause racine : ambiguïté des fusions

Lorsqu'une cellule fusionnée couvre plusieurs colonnes, l'outil d'extraction doit répondre : « Cette cellule appartient-elle à la colonne 1, à la colonne 2, ou à toutes ? » La réponse semble évidente à l'œil humain, mais pour un algorithme, elle est ambiguë.

C'est particulièrement délicat pour les modèles d'IA visuelle qui utilisent une analyse par patchs. Ces modèles divisent l'image en petites tuiles et analysent chacune indépendamment. Une cellule fusionnée qui couvre cinq colonnes est fragmentée sur plusieurs tuiles. Chaque tuile ne voit qu'un morceau de la cellule fusionnée, et le modèle doit les reconstituer — une tâche qui introduit des erreurs à chaque jointure. Une analyse des échecs pratiques dans la reconstruction de tableaux a documenté ce problème précis : les modèles visuels qui divisent les images en patchs « fonctionnent mal pour les objets qui dépendent d'une continuité globale — les tableaux en faisant partie. »

La solution

Concevez votre extraction avec une structure attendue. Si vous savez que votre document source comporte un en-tête comme « Détails du produit (Article | SKU) », définissez vos noms de colonnes en conséquence — « Article » et « SKU » — plutôt que de laisser l'outil deviner la hiérarchie. Des outils comme ImageToTable.ai, qui utilisent l'Extraction de colonnes personnalisées, vous permettent de spécifier exactement les colonnes souhaitées. L'IA fait ensuite correspondre chaque colonne à la bonne sous-colonne du document en comprenant la signification de chaque champ, sans deviner les limites des fusions. Cela contourne entièrement le problème d'ambiguïté : au lieu de demander à l'outil « quelle est la largeur de cette cellule fusionnée ? », vous lui dites « voici les colonnes dont j'ai besoin — trouvez-les dans le document ».

Cause racine 3 : Des hauteurs de ligne irrégulières brisent le rythme

Symptômes

Le tableau extrait contient trop ou trop peu de lignes. Une ligne de sous-total de section qui s'étend sur toute la largeur du tableau est comptée comme une nouvelle ligne (agrandissant la grille) ou complètement ignorée (la réduisant). Le nombre total de lignes du tableau extrait ne correspond pas à la source.

Cause racine : Variation de hauteur de ligne

La plupart des algorithmes d'extraction de tableaux reposent sur la détection de lignes horizontales ou d'espaces vides pour identifier les limites des lignes. Une cellule fusionnée qui s'étend sur plusieurs lignes modifie le motif de hauteur visuelle — soit plus haut (le contenu fusionné nécessite plus d'espace), soit plus court (zone fusionnée vide). Dans les deux cas, l'heuristique de l'algorithme pour les limites de ligne est perturbée.

Cela est particulièrement fréquent avec les motifs en escalier, où les cellules fusionnées créent une limite diagonale. L'algorithme voit des hauteurs incohérentes et ne peut pas déterminer s'il doit traiter l'ensemble du bloc comme une seule grande ligne ou le diviser.

La solution

Post-traitement : recoupez le nombre de lignes avec la structure attendue. Après l'extraction, effectuez une vérification rapide de cohérence : le nombre de lignes de données correspond-il à ce que vous attendez ? Si vous savez que chaque facture comporte une section d'articles avec 3 à 12 lignes, signalez toute sortie en dehors de cette plage. Dans Excel, vous pouvez utiliser une simple vérification NBVAL ou un tableau croisé dynamique pour vérifier les nombres de lignes sur plusieurs lots. Les outils plus avancés offrent une validation intégrée qui compare automatiquement la structure extraite aux nombres de lignes et de colonnes attendus et met en évidence les écarts pour un examen manuel.

Cause racine n°4 : Absence de validation post-traitement

Symptômes

L'extraction semble réussir — pas d'erreur, pas de timeout — mais lorsque vous utilisez les données, vous découvrez que les valeurs sont dans les mauvaises lignes ou colonnes. L'erreur est silencieuse, ce qui la rend plus dangereuse qu'un échec d'extraction.

Cause racine : Effondrement du post-traitement

De nombreux outils d'extraction comportent une étape d'assemblage final où les blocs de texte détectés sont repositionnés dans une grille. Si des cellules fusionnées ont causé des problèmes en amont (fracture de coordonnées, ambiguïté de chevauchement, ou confusion de hauteur de ligne), l'étape de post-traitement tente souvent de masquer ces problèmes en réduisant ou en remplissant les cellules pour s'adapter à une grille rectangulaire. C'est là que se produit la corruption silencieuse des données : l'outil remplit les cellules vides avec des valeurs voisines, décale des colonnes entières à gauche ou à droite, ou supprime des lignes qui ne correspondent pas à la forme de grille qu'il a choisie.

Le mécanisme spécifique : le post-processeur a une forme de grille cible (par exemple, 4 colonnes × 15 lignes) déduite du nombre de cellules détectées. Lorsqu'une cellule fusionnée crée une anomalie — disons, 63 cellules détectées pour une grille qui devrait être de 4×16=64 — le moteur doit combler l'écart. Certains outils remplissent avec des blancs (créant le symptôme de « cellule vide »). D'autres compressent : ils redistribuent les 63 cellules dans 64 emplacements, poussant une valeur de données dans la mauvaise colonne.

La solution

Imposez une validation post-extraction. Que vous le fassiez manuellement ou automatiquement, chaque lot d'extractions provenant de documents avec cellules fusionnées doit inclure une étape de vérification croisée. L'approche la plus pratique : exportez votre tableau extrait, dissociez les cellules fusionnées restantes dans Excel ou Google Sheets à l'aide de la fonction intégrée « Dissocier les cellules », puis utilisez « Recopier vers le bas » pour propager les valeurs dans les cellules nouvellement vides. Cela vous donne une grille rectangulaire propre que vous pouvez valider par rapport à votre source d'origine.

Trois correctifs qui marchent vraiment

Sur la base des quatre causes racines ci-dessus, voici la marche à suivre pratique — de la plus simple à la plus approfondie.

Quand passer la main : toutes les cellules fusionnées ne peuvent pas être corrigées automatiquement

Certains motifs de cellules fusionnées sont vraiment complexes — même pour une IA avancée. Voici les cas où il est préférable de pré-traiter le document source manuellement plutôt que de tenter de corriger l'extraction :

• Fusions imbriquées (rowspan + colspan dans la même cellule) : Une cellule qui s'étend sur 3 lignes ET 2 colonnes crée un trou dans la grille qu'aucun outil ne comble parfaitement. Pré-découper le document en tableaux plus simples avant l'extraction donne souvent de meilleurs résultats.
• Motifs de fusion en escalier : Des limites diagonales où la ligne 1 fusionne les colonnes A-B, la ligne 2 fusionne B-C, la ligne 3 fusionne C-D — cette structure en cascade met en échec presque tous les moteurs d'extraction. La solution la plus efficace est souvent d'exporter le document sous forme de tableau plat depuis l'application source avant l'extraction.
• Tableaux multi-pages avec cellules fusionnées chevauchant des sauts de page : Même les meilleurs outils peinent ici. Envisagez de traiter chaque page indépendamment et de recoller les résultats manuellement.

Réponse honnête : si votre document contient des fusions imbriquées ou en escalier complexes et que vous traitez plus de 50 documents de ce type par mois, le ROI d'un changement d'outil (vers un outil gérant ces motifs nativement) mérite d'être calculé. Pour des documents occasionnels, un pré-traitement manuel avant extraction coûte moins cher que de lutter contre un résultat médiocre.

Questions fréquentes

L'extraction par IA gère-t-elle mieux les cellules fusionnées que l'OCR traditionnel ?

Oui — mais pas parfaitement. Les modèles d'IA visuelle analysent la mise en page globale du document plutôt que ligne par ligne, ils identifient donc les limites des cellules fusionnées plus précisément que l'OCR linéaire. Cependant, l'ambiguïté des étendues reste un défi pour les modèles d'IA car l'analyse par patchs peut fragmenter les cellules fusionnées entre les tuiles. Des outils comme ImageToTable.ai, qui combinent l'analyse de mise en page avec la correspondance sémantique de champs, gèrent les cellules fusionnées nettement mieux que l'OCR traditionnel, mais ne sont pas immunisés à 100 %, en particulier avec les motifs imbriqués ou en escalier.

Puis-je corriger les erreurs d'extraction de cellules fusionnées dans Excel sans retraiter ?

Oui, pour la plupart des motifs de fusion de lignes. Sélectionnez la colonne, allez dans Accueil → Fusionner et centrer → Dissocher les cellules, puis sélectionnez les cellules vides et appuyez sur Ctrl+D (Recopier vers le bas) pour propager la valeur. Pour les motifs de fusion de colonnes, utilisez Convertir ou Flash Fill. Cela fonctionne comme solution de contournement, mais pour un traitement par lots, corrigez l'extraction en amont.

Les cellules fusionnées dans les PDF sont-elles le même problème que dans Excel ?

Structurellement, oui. Mais les PDF sont plus difficiles à corriger car on ne peut pas simplement les « dissocier ». Une cellule fusionnée dans un PDF est intégrée à la mise en page, donc la correction doit avoir lieu lors de l'extraction plutôt qu'à la source.

Que faire si mon document source a des bordures qui ressemblent à des cellules fusionnées mais n'en sont pas ?

C'est courant. Des bordures de tableau faibles ou brisées peuvent donner l'impression que des cellules séparées sont fusionnées, surtout dans les scans. Essayez de prétraiter l'image pour améliorer le contraste — cela peut rendre les bordures faibles détectables. Consultez notre guide sur le prétraitement d'image pour une meilleure détection pour des techniques spécifiques.

Mon outil indique « extraction de tableau terminée » mais les données sont erronées — que s'est-il passé ?

C'est la cause racine n°4. Le post-processeur a assemblé le texte détecté dans une grille, mais les cellules fusionnées ont provoqué des erreurs en amont qui n'ont pas été signalées. « Succès » signifiait qu'une grille rectangulaire avait été produite — pas que la grille était correcte. Validez toujours un échantillon de sortie. Pour en savoir plus sur la création d'un workflow de validation, lisez notre guide complet de dépannage pour l'extraction de tableaux.