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

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

Un moteur d'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 veut rien dire 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 après la fin de l'OCR — 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 — Balayage ligne par ligne vs. tableaux 2D

Symptôme : Le tableau est extrait sous forme d'un seul paragraphe continu. "Article Qté Prix Widget A 2 100 Widget B 1 200 Total 400" — tout sur une seule ligne sans sauts de colonne.

Cause racine : Lorsque le moteur finit de lire "Article" sur la première ligne, il passe à "Qté", puis "Prix", puis le saut de ligne, puis "Widget A", "2", "100" — le tout 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 résoudre :

• Vérifiez si votre outil propose un mode "tableau" ou "feuille de calcul". Certains moteurs d'OCR offrent un sélecteur de type de document. Passer de "Document" à "Tableau" indique au moteur de 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 mise en page entière 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 de contournement temporaire, utilisez l'OCR zonal. Si votre outil vous permet de définir des zones rectangulaires pour chaque colonne, extrayez-les indépendamment — mais cela échoue dès que la disposition du tableau change.

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

Symptôme : Une ligne censée afficher « Widget A — 10 pcs — 45,99 € » donne « Widget A 10 pcs 45,99 € » et on ne peut pas savoir quelle valeur appartient à quelle colonne. Ou 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 décalage entre l'apparence visuelle et la structure de données sous-jacente. Lorsqu'une cellule couvre visuellement trois colonnes, les données réelles n'occupent qu'une seule position. Le moteur OCR lit l'étiquette fusionnée 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 — autant de cas qui corrompent le résultat.

Comment corriger :

• Vérifiez les métadonnées de sortie. Certains outils renvoient rowSpan ou colSpan dans leur JSON brut. Si votre outil propose l'export 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 étiquettes répétées avant l'OCR. Certains éditeurs PDF proposent une fonction « dissocier les cellules ».
• Passez à l'extraction sémantique. Plutôt que de se fier au positionnement, les outils utilisant l'extraction personnalisée de colonnes vous permettent de définir ce que vous voulez (ex. « Description de l'article », « Quantité », « Prix unitaire ») et l'IA localise chaque valeur en comprenant sa signification — les cellules fusionnées ne perturbent pas cette approche car l'IA lit le contenu, pas les lignes de grille.

Cause n°3 — L'absence de lignes de grille laisse le moteur dans le flou

Symptôme : Le tableau n'a pas de bordures visibles — juste du texte positionné avec des espaces pour suggérer des colonnes. Le résultat OCR s'effondre en un seul bloc ou crée des sauts de colonne aléatoires là où il n'y en a pas.

Cause racine : De nombreux moteurs OCR utilisent les lignes de grille — bordures visibles entre les cellules — comme points d'ancrage pour détecter la structure du tableau. L'algorithme cherche des lignes verticales et horizontales continues, définit les limites des cellules et lit le texte dans chaque zone. Quand ces lignes sont absentes — courant dans les factures modernes, les résumés financiers et les exports HTML — le moteur se rabat sur l'inférence des colonnes à partir des motifs d'espacement. Un simple espace entre « Article » et « Description » ressemble 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 bordure ». Certains moteurs OCR ont un mode dédié pour les tableaux sans lignes de séparation, passant de la détection de lignes à l'inférence basée sur l'alignement.
• Utilisez l'extraction sensible à la mise en page. Les modèles de vision comprennent les relations spatiales de manière sémantique — une colonne de chiffres sous « Qté » est reconnaissable par son 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 n°4 — Les mises en page multi-colonnes créent de fausses lignes

Symptôme : Un document contient deux tableaux indépendants côte à côte, ou un tableau principal avec un résumé à droite. L'extraction entremêle les lignes des deux, produisant des données incohérentes.

Cause racine : L'OCR lit dans l'ordre de lecture : de gauche à droite, de haut en bas. Quand une page a plusieurs colonnes — articles à gauche, récapitulatif des prix à droite — le moteur lit la première ligne de la colonne de gauche, passe à celle de droite, puis revient à la deuxième ligne de gauche. Il n'a pas conscience qu'il s'agit de tableaux distincts — seulement que du texte existe à différentes positions.

Comment corriger :

• Extraire un tableau à la fois avec une sélection de zone. Définissez les limites de chaque tableau individuellement et traitez-les comme des téléchargements ou zones séparés.
• Utiliser une 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 son résumé latéral.
• Restreindre l'ordre de lecture à une seule zone. Certains moteurs permettent d'empêcher les sauts entre sections.

Cause n°5 — Les tableaux pivotés ou inclinés brisent l'association des colonnes

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

Cause racine : Les moteurs d'OCR incluent une étape de redressement qui redresse la page avant la lecture. Mais le redressement corrige l'angle du texte, pas l'alignement des colonnes. Après 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 comprime la projection, brouillant les limites. 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 décalage.

Comment corriger :

• Prétraiter avec un redressement plus fort avant l'OCR. Pour plus de détails sur la préparation des fichiers sources, consultez notre guide de prétraitement.
• Utiliser des applications de capture qui guident le cadrage du document pour réduire l'inclinaison à la source.
• Choisir un outil qui ne dépend pas des projections de pixels. Les modèles de langage visuel traitent l'image entière de manière holistique — un tableau photographié de travers reste compréhensible pour un 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 alignées

Symptôme : Le tableur extrait contient les données, mais les en-têtes sont dupliqués ou mal appariés. « Date de facture » devient « Date » dans un fichier et « Émise » 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 distinguer que « Date de facture », « Date d'émission » et « Émise le » signifient la même chose. Il lit chaque en-tête comme une chaîne littérale et l'utilise comme clé de colonne. Traitez des documents de plusieurs fournisseurs et le moteur crée une colonne distincte pour chaque variante de libellé — « Qté » et « Quantité » deviennent deux colonnes au lieu d'une.

Comment corriger :

• Normalisez les en-têtes en amont. Si votre outil le permet, définissez un mappage de colonnes standard — par ex. « Date », « Description », « Qté », « Prix unitaire », « Total » — et indiquez au moteur de mapper ce qu'il trouve vers ces noms canoniques.
• Utilisez un outil qui extrait par définition sémantique de colonne. 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 du champ dans le document. C'est ainsi que fonctionne l'extraction de tableaux vers Excel par IA : vous dites ce que vous voulez, et l'outil le trouve par le sens, pas par la correspondance textuelle des en-têtes.
• Appliquez une table de mappage en post-traitement. Créez une table de correspondance dans Excel ou Google Sheets qui consolide les variantes d'en-têtes en noms standard, et appliquez-la à chaque 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 zone. Mais ce ne sont que des contournements pour une même limitation : l'OCR traditionnel n'a pas été conçu pour lire des tableaux. Si vous appliquez trois de ces correctifs ou plus 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 moins coûteuse.

Questions fréquentes