Pourquoi votre outil d'extraction PDF donne 98 % sur un fichier
et du charabia sur un autre ? — 3 types de PDF expliqués

Les trois types de PDF qui déterminent la réussite de l'extraction

Si vous avez déjà ouvert deux PDF côte à côte, constaté qu'ils contiennent le même type d'informations, utilisé le même outil d'extraction, et obtenu des résultats radicalement différents — vous n'êtes pas seul. C'est la plainte la plus fréquente concernant les outils d'extraction de documents, et ce n'est presque jamais la faute de l'outil.

Le problème est que le PDF n'est pas un format unique. C'est un conteneur qui peut stocker du texte de trois manières fondamentalement différentes, et la plupart des outils d'extraction n'en maîtrisent qu'un ou deux. La distinction importante n'est pas de savoir si le fichier se termine par .pdf — mais s'il contient une couche de texte intégrée, une image plate de texte, ou les deux. Voici à quoi ressemble chaque type sous le capot :

Le point clé : on ne peut pas juger un PDF par son apparence à l'écran. Deux fichiers qui s'affichent à l'identique peuvent être structurellement différents au niveau du format. Si votre outil d'extraction a parfaitement traité le premier et produit un résultat chaotique sur le second, l'explication la plus probable est qu'ils appartiennent à des types de PDF différents — et que l'outil a appliqué la mauvaise stratégie d'extraction.

Comment diagnostiquer votre PDF en 10 secondes — Trois tests

Pas besoin d'un outil d'analyse PDF ni d'un développeur pour savoir quel type de PDF vous avez. Chaque système d'exploitation intègre l'outil nécessaire : un lecteur PDF. Ces trois tests prennent moins de temps que de télécharger un fichier sur un analyseur en ligne :

Test 1 : Le test de sélection de texte (le plus fiable)

Ouvrez le PDF dans n'importe quel lecteur — Adobe Acrobat, Chrome, Aperçu sur Mac, ou une application PDF mobile. Cliquez sur l'outil de sélection de texte (généralement un curseur en I ou une icône T) et essayez de sélectionner une phrase ou un nombre.

• Si les mots se surlignent et que vous pouvez les copier : le PDF possède une couche de texte exploitable. Il s'agit soit d'un PDF natif basé sur du texte, soit d'un PDF ayant subi une OCR. L'extraction standard devrait fonctionner.
• Si le curseur dessine un rectangle vide et que rien ne se surligne : le PDF est uniquement composé d'images. Il n'y a aucune couche de texte à extraire — seulement des pixels. Une OCR ou une IA de vision est nécessaire.

Ce test est définitif. Un document scanné ne produit strictement aucun texte sélectionnable, quelle que soit la clarté du texte à vos yeux. Le système visuel humain lit les motifs de pixels comme du texte. L'ordinateur voit une image.

Test 2 : Le test de recherche (vérification rapide)

Appuyez sur Ctrl+F (ou Cmd+F sur Mac) et tapez un mot que vous savez présent dans le document — par exemple, « Total » sur une facture ou « Date » sur un contrat.

• Si le mot est trouvé et surligné : le PDF contient du texte recherchable. L'extraction devrait réussir avec les méthodes standard.
• Si la recherche ne donne aucun résultat alors que le mot est visible sur la page : le document est uniquement composé d'images.

Test 3 : Le test de résultats mixtes (pour la détection hybride)

C'est le test que la plupart des gens sautent, et c'est pourquoi les PDF hybrides passent inaperçus. Effectuez le test 1 sur chaque page, pas seulement la première. Sélectionnez du texte sur la page 1, puis faites défiler jusqu'à la page 3, puis la page 5.

• Si certaines pages ont du texte sélectionnable et d'autres non : vous avez un PDF hybride. C'est le scénario qui produit les échecs d'extraction les plus déroutants — l'outil traite parfaitement les pages 1 et 2 (elles ont une couche de texte propre), puis produit des colonnes désalignées et des champs manquants sur la page 3 (qui est une image scannée dans le même fichier). Comme le nom du fichier est identique et que la mise en page visuelle semble cohérente, on a l'impression que l'outil a « planté » en cours de traitement.

Une fois que vous avez identifié votre type de PDF, la solution devient simple. Chaque type a une cause racine différente et une solution différente.

Cause 1 : PDF textuel qui produit toujours du charabia

Symptômes : Le texte est sélectionnable, le PDF a été créé par un logiciel, mais l’extraction donne des colonnes désordonnées, des cellules de tableau fusionnées ou des caractères qui ne correspondent pas à l’affichage.

Pourquoi cela arrive : Un PDF ne stocke pas le texte comme un document Word. Au lieu d’un paragraphe linéaire avec un ordre de lecture défini, un PDF encode le texte comme une série d’instructions de dessin — placer le caractère « I » aux coordonnées (72, 540), placer « n » à (78, 540), etc. Il n’y a pas de concept inhérent de paragraphe, d’ordre de lecture ou de structure de tableau dans le format. Le PDF sait où chaque caractère se trouve sur la page, mais il ne comprend pas ce que le texte signifie ni comment il doit être lu.

Les outils d’extraction doivent reconstruire la structure logique à partir de ces instructions de positionnement bas niveau. Lorsqu’un PDF a été généré avec un encodage de police inhabituel, un mappage de caractères personnalisé (CMap) ou des générateurs PDF non standard, la reconstruction peut produire un résultat brouillé même si le fichier contient techniquement une couche de texte. Cela arrive le plus souvent avec :

• PDF générés par ERP : Certains systèmes d’entreprise utilisent des générateurs PDF personnalisés qui encodent le texte de manière non standard — les caractères semblent corrects à l’écran car votre lecteur PDF applique son propre rendu, mais l’encodage sous-jacent est non standard et les outils d’extraction ne peuvent pas l’interpréter correctement.
• PDF avec sous-ensembles de polices intégrés : Lorsque seul un sous-ensemble de caractères de police est intégré, l’outil d’extraction peut mapper les glyphes aux mauvais caractères Unicode, produisant un « texte » alphabétiquement proche du contenu réel mais sémantiquement erroné.
• Mises en page multi-colonnes : Même les PDF textuels bien formés peuvent produire un résultat brouillé lorsque l’outil d’extraction lit de haut en bas sur deux colonnes. Les phrases passent de la fin de la colonne de gauche à la fin de la colonne de droite — totalement illisibles.

Comment résoudre : Pour les PDF textuels qui s’extraient mal en raison de problèmes d’encodage ou de mise en page, aplatissez le PDF en images et utilisez un outil d’IA visuelle. En convertissant les pages PDF en images haute résolution (300 DPI ou plus) et en les soumettant à un modèle de vision-langage — qui traite la page comme une scène visuelle plutôt qu’un flux de texte — vous contournez tout le problème d’encodage et d’ordre de lecture. L’IA lit le document comme le ferait un humain : en regardant la page et en comprenant sa structure visuelle.

ImageToTable.ai gère cela automatiquement : lorsque vous téléchargez un PDF, son modèle de vision lit la page rendue comme une image, et non la couche de texte. Ainsi, même les PDF textuels mal encodés sont traités correctement, car l’extraction ne dépend pas du flux de texte interne du PDF.

Cause n°2 : PDF image uniquement — aucun calque de texte

Symptômes : Impossible de sélectionner le moindre texte sur une page. Le fichier semble correct à l’écran, mais tout outil d’extraction renvoie des résultats vides ou du texte issu de l’OCR inexploitable. Le document n’est qu’un ensemble de photos collées dans une enveloppe PDF.

Pourquoi cela arrive : C’est le scénario PDF le plus courant en entreprise. Un fournisseur imprime une facture, la signe, la tamponne, puis la numérise en fichier numérique. Ou un inspecteur remplit un formulaire papier, le photographie avec son téléphone et envoie l’image enregistrée au format PDF. La structure interne du PDF ne contient qu’un seul objet par page : une image aplatie. Aucun objet caractère, aucune référence de police, aucune instruction de rendu de texte.

Les outils d’extraction classiques — y compris les bibliothèques Python comme pdfplumber et le mode d’extraction de texte de PyMuPDF, ainsi que l’import PDF intégré d’Excel — ne lisent que le calque de texte. Face à un PDF image uniquement, ils ne trouvent rien à extraire et renvoient des résultats vides. Ce n’est ni un bug ni une limitation de l’outil. L’outil fonctionne correctement. Le document ne contient tout simplement pas ce dont l’outil a besoin.

Comment résoudre le problème : Les PDF image uniquement nécessitent une OCR (reconnaissance optique de caractères) ou une IA de vision. L’outil d’extraction doit pouvoir lire la page comme une image, reconnaître les motifs de pixels comme des caractères et reconstruire le texte. C’est là que la qualité du scan détermine directement la précision du résultat.

Un scan haute résolution (300 DPI ou plus) avec un bon contraste, sans ombres et avec un inclinaison minimale, offre une précision d’extraction supérieure à 95 % avec les outils modernes. Un scan basse résolution — pensez à une photo de téléphone d’un reçu froissé sous un mauvais éclairage — peut faire chuter la précision sous les 70 %. L’extraction par IA de PDF scannés gère généralement cette plage, car les modèles de vision sont entraînés à lire des documents dans des conditions réelles, pas seulement des scans parfaits.

Cause n°3 : Le hybride caché qui fait tout planter

Symptômes : Certaines pages s’extraient parfaitement. D’autres produisent un résultat brouillé, des colonnes décalées ou des champs manquants. Les pages qui échouent ressemblent pourtant à celles qui réussissent. L’outil d’extraction semble « aléatoirement » dysfonctionner en cours de lot.

Pourquoi : Les PDF hybrides sont la cause la plus sous-diagnostiquée d’échecs d’extraction, car ils ressemblent exactement à des PDF normaux. Un PDF hybride contient à la fois une couche texte et des images intégrées, souvent sur des pages différentes. Voici le scénario typique :

• Un entrepreneur en construction soumet un état d’avancement AIA G702. La page 1 est générée par son logiciel comptable (texte). Les pages 2 à 5 sont des copies scannées d’ordres de modification signés (images uniquement). L’ensemble est fusionné en un seul fichier PDF.
• Un courtier d’assurance envoie une attestation d’assurance. La première page est un export numérique de son système. La seconde est une copie scannée de l’avenant original.
• Un fournisseur joint par e-mail un « dossier de facture complet » — la facture elle-même est un PDF numérique, mais le bordereau de colisage et l’accusé de livraison sont des photos scannées intégrées au même document.

Quand un outil traditionnel traite un PDF hybride, il applique une seule stratégie d’extraction à l’ensemble du fichier. S’il lit la couche texte, les pages 2 à 5 ne renvoient rien (pas de couche texte). S’il applique l’OCR partout, il peut extraire deux fois le texte des pages qui avaient déjà une couche texte propre — produisant des données dupliquées ou fusionnées. Certains outils tentent de lire les deux couches simultanément et génèrent un résultat mélangé, où les colonnes de la couche texte et celles de l’OCR sont entrelacées aléatoirement.

C’est le mode de défaillance le plus dangereux car le résultat ressemble à des données réelles. Les cellules contiennent des chiffres, des dates cohérentes, des noms corrects — mais les totaux sont faux, les lignes sont décalées, et l’extraction n’est pas fiable sans une vérification manuelle complète qui annule l’intérêt de l’automatisation.

Comment corriger — deux options :

Quand aplatir, quand basculer — un cadre de décision pratique

Voici une référence rapide pour diagnostiquer et résoudre tout problème d'extraction PDF selon le type identifié :

L'approche d'aplatissement — convertir chaque page en une image nette — est la solution universelle qui fonctionne pour les trois types de PDF. Ce n'est pas un bricolage. C'est une stratégie délibérée pour éliminer l'ambiguïté de format dans le pipeline d'extraction. Une fois chaque page uniformément transformée en image, l'outil d'extraction applique une méthode unique et cohérente, et le résultat devient prévisible.

Ce cadre de décision couvre les problèmes liés au type de PDF. Si vos colonnes sont correctement structurées et le type de PDF adapté, mais que les chiffres extraits sont systématiquement erronés — un total qui ressort comme un sous-total, ou une date échangée avec une autre — le problème peut venir de la définition de vos colonnes d'extraction. Les noms de colonnes ambigus sont l'une des causes les plus fréquentes de chiffres extraits erronés, et la solution consiste généralement à renommer « Total » en « Montant total dû ».

FAQ

« J’ai vérifié et toutes mes pages ont du texte sélectionnable. Pourquoi l’extraction produit-elle encore un résultat illisible ? »

Le texte sélectionnable confirme qu’une couche de texte existe, mais ne garantit pas qu’elle soit bien formée. Certains générateurs de PDF créent des couches de texte avec un encodage de caractères ou des tables CMap non standard qui s’affichent correctement à l’écran (votre lecteur PDF applique son propre rendu de police) mais sont difficiles à analyser pour les outils d’extraction. Dans ce cas, traitez le fichier comme s’il était uniquement image : aplatissez-le en images et utilisez un outil qui lit la page visuellement.

« Un même outil peut-il gérer les trois types de PDF ? »

Oui, s’il lit le document visuellement plutôt que de se fier à la couche de texte. Les outils qui dépendent uniquement de l’extraction de la couche de texte (la plupart des bibliothèques PDF vers texte, l’import PDF intégré d’Excel) ne peuvent traiter que les PDF textuels. Les outils dotés d’IA visuelle — comme ImageToTable.ai — traitent tous les types de PDF de manière uniforme car ils rendent chaque page sous forme d’image et la lisent comme le ferait un humain.

« Mon outil ne précise pas quel type il prend en charge. Comment le savoir ? »

Effectuez le test de sélection de texte sur un PDF que vous savez être uniquement image (un document scanné où rien ne se surligne). Si votre outil en extrait des données, il utilise une forme de lecture visuelle ou d’OCR. S’il renvoie des résultats vides, il repose sur la couche de texte. La plupart des analyseurs PDF simples entrent dans la deuxième catégorie.

« Si je numérise tous mes documents papier à une résolution plus élevée, cela résoudra-t-il le problème ? »

Une résolution plus élevée améliore la précision de l’OCR sur les PDF uniquement image, mais ne change pas le problème fondamental : un PDF uniquement image n’a toujours pas de couche de texte pour les outils traditionnels. Si votre outil d’extraction ne prend pas en charge la lecture visuelle, même une numérisation à 600 DPI ne renverra rien. Améliorez l’outil, pas seulement la qualité de numérisation.

« Et si un PDF a été OCRisé par quelqu’un d’autre avant que je ne le reçoive ? Cela change-t-il quelque chose ? »

Un PDF OCRisé possède une couche de texte invisible ajoutée par-dessus l’image scannée. Le test de sélection de texte fonctionnera (le texte se surligne) et la plupart des outils d’extraction réussiront. Cependant, la qualité de l’image sous-jacente compte toujours — si la numérisation originale était de mauvaise qualité, la couche de texte OCR peut contenir des erreurs de caractères que votre outil d’extraction héritera. Certains outils d’IA visuelle peuvent être configurés pour ré-OCRiser l’image directement plutôt que de se fier à la couche de texte intégrée, ce qui peut améliorer la précision sur les documents mal OCRisés.