L'OCR ne reconnaît pas les tableaux ?
6 causes racines qui désalignent vos colonnes

La cause racine : l'OCR lit des lignes, pas des tableaux

Un moteur OCR scanne un document et identifie des caractères individuels — une lettre, un chiffre à la fois. Il les assemble en mots, puis en lignes de texte, dans l'ordre de lecture. Il s'agit fondamentalement d'un processus linéaire, ligne par ligne, conçu pour des paragraphes, pas pour des feuilles de calcul.

Un tableau est une structure bidimensionnelle. La valeur « $450.00 » ne signifie rien en soi — elle n'a de sens que parce qu'elle se trouve sous la colonne « Total » dans la ligne « Widget B ». La relation entre une cellule et son en-tête de colonne est spatiale, pas séquentielle. L'OCR lit « $450.00 » comme du texte, mais il n'a aucun mécanisme pour comprendre que ce nombre appartient à la colonne 3, ligne 2. Certains outils tentent de déduire la structure du tableau à partir de l'espacement et de l'alignement une fois l'OCR terminé — mais l'inférence est une supposition qui échoue lorsque la mise en page n'est pas parfaite. Les six causes ci-dessous sont les scénarios où cette supposition s'effondre.

Cause n°1 — Analyse ligne par ligne vs. tableaux 2D

Symptôme : Le tableau est extrait comme un seul paragraphe continu. « Article Qté Prix Widget A 2 100 Widget B 1 200 Total 400 » — tout sur une seule ligne, sans séparation de colonnes.

Cause racine : Lorsque le moteur finit de lire « Article » sur la première ligne, il passe à « Qté », puis « Prix », puis au saut de ligne, puis « Widget A », « 2 », « 100 » — tout cela comme une séquence plate. Il ne sait pas que « Article », « Widget A » et « Widget B » appartiennent à la même colonne, car il ne voit pas du tout les colonnes — juste un flux de mots interrompu par des sauts de ligne.

Comment y remédier :

• Vérifiez si votre outil dispose d'un mode « tableau » ou « feuille de calcul ». Certains moteurs OCR proposent un sélecteur de type de document. Passer de « Document » à « Tableau » indique au moteur qu'il doit s'attendre à une disposition en grille et modifie son chemin de traitement interne.
• Utilisez un outil qui traite les tableaux comme des structures 2D. Les outils modernes d'extraction basés sur la vision comme ImageToTable.ai ne lisent pas ligne par ligne. Ils analysent la disposition complète de la page en une seule passe, identifiant les colonnes, les lignes et les limites des cellules avant d'extraire le texte. C'est la différence entre l'OCR traditionnel et l'IA de vision : l'un lit les caractères séquentiellement, l'autre comprend la page comme une carte spatiale.
• Comme solution temporaire, utilisez l'OCR zonal. Si votre outil vous permet de définir des zones rectangulaires pour chaque colonne, extrayez-les indépendamment — mais cela casse dès que la disposition du tableau change.

Cause n° 2 — Les cellules fusionnées font perdre la structure

Symptôme : Une ligne qui devrait afficher « Widget A — 10 pcs — 45,99 $ » sort sous la forme « Widget A 10 pcs 45,99 $ » et vous ne pouvez pas déterminer quelle valeur appartient à quelle colonne. Ou bien une cellule d'en-tête couvrant deux colonnes décale chaque ligne suivante d'une colonne vers la droite.

Cause racine : Les cellules fusionnées créent un écart entre l'apparence visuelle et la structure de données sous-jacente. Lorsqu'une cellule couvre visuellement trois colonnes, les données réelles ne se trouvent qu'à une seule position. Le moteur OCR lit le libellé fusionné une fois, mais doit décider comment répartir les trois colonnes en dessous. La plupart des moteurs soit dupliquent la valeur sur toutes les colonnes couvertes, soit alignent tout à gauche, soit laissent la zone couverte vide — ce qui corrompt la sortie dans tous les cas.

Comment corriger :

• Vérifiez les métadonnées de sortie. Certains outils renvoient rowSpan ou colSpan dans leur sortie JSON brute. Si votre outil propose une exportation JSON, inspectez ces valeurs — elles révèlent si le moteur a détecté la fusion.
• Prétraitez le document. Si vous contrôlez les fichiers sources, convertissez les cellules fusionnées en cellules séparées avec des libellés répétés avant d'exécuter l'OCR. Certains éditeurs PDF proposent une fonction « dissocier les cellules ».
• Passez à l'extraction sémantique. Au lieu de vous fier au mappage positionnel, les outils utilisant l'Extraction de colonnes personnalisées vous permettent de définir ce que vous voulez (par exemple, « Description de l'article », « Quantité », « Prix unitaire ») et l'IA localise chaque valeur en comprenant ce qu'elle signifie — les cellules fusionnées ne perturbent pas cette approche, car l'IA lit le contenu, pas les lignes de grille.

Cause #3 — Des lignes de grille manquantes laissent le moteur dans le flou

Symptôme : Le tableau n'a pas de bordures visibles — seul le texte est positionné avec des espaces blancs pour suggérer les colonnes. L'OCR regroupe tout en un seul bloc ou crée des coupures de colonnes aléatoires là où il n'y en a pas.

Cause racine : De nombreux moteurs OCR utilisent les lignes de grille — les bordures visibles entre les cellules — comme points d'ancrage pour détecter la structure du tableau. L'algorithme recherche des lignes verticales et horizontales continues, définit les limites des cellules, puis lit le texte dans chaque région. Lorsque ces lignes sont absentes — courantes dans les factures modernes, les synthèses financières et les exports HTML — le moteur se rabat sur l'inférence des colonnes à partir des motifs d'espaces. Un simple espace entre « Item » et « Description » paraît identique à un écart de colonne délibéré pour le moteur OCR.

Comment corriger :

• Numérisez à 300 DPI minimum. Une résolution plus élevée affine les limites des espaces blancs, ce qui améliore légèrement les heuristiques de positionnement. Cela ne crée pas de lignes de grille, mais donne plus de signal au moteur.
• Activez le mode « tableau sans bordures ». Certains moteurs OCR disposent d'un mode dédié aux tableaux sans filets, qui passe de la détection de lignes à une inférence par alignement.
• Utilisez une extraction contextuelle. Les modèles de vision comprennent les relations spatiales de manière sémantique — une colonne de nombres sous « Qty » est reconnaissable par le contexte, pas par une ligne verticale. C'est pourquoi la précision de l'OCR varie selon le type de document : l'OCR traditionnel repose sur des caractéristiques visuelles que tous les documents ne fournissent pas.

Cause #4 — Les mises en page multi-colonnes créent des lignes erronées

Symptôme : Un document contient deux tableaux indépendants côte à côte, ou un tableau principal avec un panneau de synthèse à sa droite. Le résultat extrait entremêle les lignes des deux, produisant des données incohérentes.

Cause racine : L'OCR balaie dans l'ordre de lecture : de gauche à droite, de haut en bas. Lorsqu'une page contient plusieurs colonnes de contenu — les lignes d'articles à gauche, la synthèse des prix à droite — le moteur lit la première ligne de la colonne de gauche, passe à la colonne de droite, puis revient à la deuxième ligne de gauche. Il n'a aucun concept de « ceci est un tableau séparé » — seulement que du texte existe à différentes positions.

Comment corriger :

• Extrayez un tableau à la fois avec une sélection de zone. Définissez des limites autour de chaque tableau individuellement et traitez-les comme des téléchargements ou des zones séparés.
• Utilisez l'analyse de mise en page au niveau de la page. Les outils basés sur la vision analysent d'abord la page entière — identifiant les blocs de contenu distincts avant d'extraire le texte de chacun indépendamment. Cela préserve la séparation entre un tableau principal et sa barre latérale de synthèse.
• Limitez l'ordre de lecture à une seule région. Certains moteurs permettent d'empêcher les sauts entre sections.

Cause n° 5 — Les tableaux pivotés ou inclinés cassent l’association des colonnes

Symptôme : Le tableau a été photographié en biais, ou la page a été insérée de travers. Les données extraites contiennent le bon texte, mais les valeurs sont décalées — un nombre qui devrait se trouver dans la colonne « Total » apparaît dans la colonne « Tax » à la place.

Cause racine : Les moteurs OCR incluent une étape de redressement qui remet la page droite avant la lecture. Mais le redressement corrige l’angle du texte, pas l’alignement des colonnes. Après le redressement, le moteur utilise toujours des profils de projection verticale (histogrammes de densité de pixels) pour déterminer les limites des colonnes. Une rotation de 3 degrés compresse la projection, ce qui brouille les limites entre elles. Le moteur place « $12,450.00 » dans la colonne 3 alors qu’il appartient à la colonne 4 — et chaque cellule à partir de la ligne 2 suit le même désalignement.

Comment corriger :

• Prétraitez avec un redressement plus fort avant l’OCR. Pour plus de détails sur la préparation des fichiers sources, consultez notre guide de prétraitement.
• Utilisez des applications de capture qui guident le cadrage des documents pour réduire l’inclinaison de la caméra à la source.
• Choisissez un outil qui ne dépend pas des projections de pixels. Les modèles de vision-langage traitent l’image entière de manière holistique — un tableau photographié en biais reste compréhensible pour l’œil humain, et l’extraction basée sur les VLM fonctionne de la même manière.

Cause n° 6 — Des en-têtes de colonnes incohérents produisent des données mal mappées

Symptôme : La feuille de calcul extraite contient les données, mais les en-têtes sont dupliqués ou mal associés. « Invoice Date » devient « Date » dans un fichier et « Issued » dans un autre — le résultat fusionné disperse les dates sur deux colonnes.

Cause racine : L’OCR ne comprend pas la sémantique. Il ne peut pas dire que « Invoice Date », « Date Issued » et « Issued On » signifient la même chose. Il lit chaque en-tête comme une chaîne littérale et l’utilise comme clé de colonne. Traitez des documents provenant de plusieurs fournisseurs et le moteur crée une colonne distincte pour chaque variante de formulation — « Qty » et « Quantity » deviennent deux colonnes au lieu d’une.

Comment corriger :

• Normalisez les en-têtes à l’avance. Si votre outil le permet, définissez un mappage de colonnes standard — par ex. « Date », « Description », « Qty », « Unit Price », « Total » — et indiquez au moteur de mapper ce qu’il trouve sur ces noms canoniques.
• Utilisez un outil qui extrait par définition sémantique des colonnes. Au lieu de lire les en-têtes existants, l’Extraction de colonnes personnalisées vous permet de définir les colonnes de sortie souhaitées, et l’IA trouve les données correspondantes, quel que soit le nom que le document donne à chaque champ. C’est ainsi que fonctionne l’extraction de tableaux assistée par IA vers Excel : vous spécifiez ce que vous voulez, et l’outil le trouve par le sens, et non par correspondance de texte d’en-tête.
• Appliquez une table de mappage en post-traitement. Créez une table de correspondance dans Excel ou Google Sheets qui regroupe les variantes d’en-têtes en noms standard, et appliquez-la à chaque exécution d’extraction.

Quand passer à l'étape supérieure : votre outil est-il le problème ?

Les correctifs ci-dessus peuvent améliorer les résultats — meilleur prétraitement, DPI plus élevé, sélection de région. Mais ce ne sont que des solutions de contournement pour la même limitation : l'OCR traditionnel n'a pas été conçu pour lire les tableaux. Si vous appliquez trois ou plus de ces correctifs sur chaque lot, l'outil est le goulot d'étranglement.

Si vos documents contiennent des cellules fusionnées, des tableaux sans bordures, des mises en page multi-colonnes ou des en-têtes incohérents — ce qui décrit la plupart des documents professionnels réels — et que vous en traitez plus de 20 à 30 par semaine, le nettoyage manuel dépassera le temps gagné par l'OCR. À ce stade, passer à un outil d'extraction basé sur la vision qui traite les tableaux comme des structures bidimensionnelles n'est pas un luxe — c'est l'option mathématiquement la plus économique.

Questions fréquemment posées