Extraction de tableaux et mises en page complexes

Tableaux multipages, cellules fusionnées, mises en page imbriquées — extraits avec leur structure intacte.

Le problème : la structure est la première victime

Les documents avec des tableaux et mises en page complexes sont là où la plupart des outils d’extraction échouent. L’OCR standard lit des caractères mais perd les relations spatiales. Les LLM traitent du texte mais ne peuvent pas reconstruire de façon fiable la structure des tableaux à partir d’une entrée visuelle. Même les outils spécialisés convertissent souvent les tableaux en Markdown, ce qui aplatit les cellules fusionnées, détruit les fusions de lignes et supprime la structure relationnelle qui donne son sens aux données.

Les documents réels qui comptent le plus — états financiers avec sous-tableaux imbriqués, dossiers médicaux avec résultats d’analyses multipages, polices d’assurance avec matrices de couverture, spécifications techniques avec tableaux de paramètres — sont exactement ceux qui cassent.

Un tableau qui s’étend sur trois pages, avec des cellules d’en-tête fusionnées et des groupes de lignes hiérarchiques, n’est pas un cas limite. C’est le quotidien.

Pipeline multi-étapes : de la mise en page à la structure, puis à l’extraction

anyformat traite les documents complexes à travers un pipeline multi-étapes qui sépare l’analyse de la mise en page, la reconnaissance de la structure et l’extraction des données en phases distinctes :

Étape 1 — Analyse de la mise en page : le système identifie les régions du document : blocs de texte, tableaux, figures, en-têtes, pieds de page et éléments de page. Chaque région est classée et ancrée spatialement.

Étape 2 — Reconnaissance de la structure : pour les tableaux, le système reconstruit la structure complète de la grille : limites de lignes et de colonnes, cellules fusionnées, hiérarchies d’en-têtes et relations d’étendue. Pour les tableaux multipages, la structure est recousue à travers les sauts de page avec continuité préservée.

Étape 3 — Extraction des données : une fois la structure comprise, le système extrait les valeurs à leur position correcte dans la structure reconnue. La sortie est du JSON structuré qui préserve chaque relation — pas du texte aplati.

Cette séparation compte. Quand l’analyse de la mise en page, la reconnaissance de la structure et l’extraction sont fusionnées en une seule étape (comme le font la plupart des outils basés sur des LLM), le système doit résoudre trois problèmes en même temps. Les erreurs s’accumulent. anyformat les résout en séquence, chaque étape validant la précédente.

Préservation de la structure des tableaux à travers les sauts de page

Quand un tableau commence page 4 et se termine page 7, la plupart des outils traitent chaque fragment de page indépendamment. Le résultat : quatre tableaux partiels séparés, avec en-têtes perdus, lignes dupliquées et relations brisées.

anyformat détecte les continuations de tableaux à travers les sauts de page et reconstruit le tableau complet comme une structure unique. Les en-têtes sont associés à toutes les lignes qu’ils gouvernent, même quand la ligne d’en-tête se trouve à plusieurs pages des données. Les groupes de lignes et les sous-totaux conservent leurs relations hiérarchiques de bout en bout.

Gestion des cellules fusionnées et des mises en page imbriquées

Les cellules fusionnées — étendues horizontales comme verticales — sont une source persistante d’erreurs d’extraction. Une cellule qui s’étend sur trois lignes crée une ambiguïté : à quelle ligne appartient la valeur ? Un en-tête qui s’étend sur cinq colonnes regroupe ces colonnes sémantiquement, mais la plupart des outils perdent ce regroupement.

anyformat modélise explicitement les étendues de cellules dans sa structure de sortie. Une cellule fusionnée est représentée avec ses coordonnées d’étendue, pas dupliquée sur les lignes ni réduite à la première cellule. Les tableaux imbriqués (tableaux dans des cellules de tableau) sont extraits récursivement comme des sous-objets structurés.

Détection et classification des figures

Les documents complexes contiennent plus que du texte et des tableaux. Graphiques, diagrammes, photographies, signatures, tampons et images intégrées portent des informations que l’extraction de texte manque entièrement.

anyformat détecte les figures dans les documents, les classe par type (graphique, diagramme, photographie, signature) et génère des descriptions structurées qui capturent ce que l’élément visuel représente dans son contexte. C’est particulièrement précieux pour les documents techniques, les rapports d’inspection et les articles scientifiques, où les figures sont un contenu porteur.

Scores de confiance par cellule

Toutes les cellules d’un tableau complexe ne sont pas aussi faciles à extraire. Une valeur numérique clairement imprimée dans un tableau bien structuré peut mériter 99 % de confiance. Une annotation manuscrite dans une cellule fusionnée à cheval sur un saut de page peut mériter 60 %.

anyformat attribue des scores de confiance calibrés au niveau de la cellule, pas seulement du document ou du champ. Les systèmes en aval et les relecteurs humains savent ainsi exactement quelles valeurs croire et lesquelles vérifier. Le coût d’une valeur fausse dans un tableau financier ou un dossier médical n’est pas abstrait — la confiance par cellule rend la revue efficace et ciblée.

Pas de conversion Markdown avec perte

De nombreux outils d’extraction — dont LlamaParse et d’autres parseurs orientés RAG — convertissent les documents en Markdown comme représentation intermédiaire. Le Markdown est un format texte. Il n’a pas été conçu pour représenter la structure des tableaux.

Quand un tableau avec cellules fusionnées, en-têtes hiérarchiques et étendues multipages est converti en Markdown, le résultat est une grille délimitée par des barres verticales qui a perdu l’essentiel de son information structurelle. Cette perte est généralement irrécupérable — l’extraction en aval ne peut pas reconstruire ce que la conversion a détruit.

anyformat produit du JSON structuré qui préserve la structure complète du tableau. Fusions de lignes, fusions de colonnes, hiérarchies d’en-têtes, types de cellules et relations positionnelles sont tous conservés. Pas d’étape Markdown intermédiaire. Pas de conversion avec perte.

Le benchmark RD-TableBench de Reducto démontre à quel point l’extraction de tableaux complexes est difficile. anyformat répond à ce défi en préservant la structure tout au long du pipeline, de l’analyse de la mise en page à la sortie JSON finale.

Ancrage visuel : voyez ce que voit le système

Chaque valeur extraite dans anyformat est visuellement ancrée — reliée à sa position exacte dans le document source. Quand un relecteur questionne une valeur, il peut voir la bounding box sur le document original, vérifiant non seulement le texte extrait mais aussi où le système l’a trouvé.

Pour les mises en page complexes où le même nombre peut apparaître dans plusieurs cellules de tableau, l’ancrage visuel élimine toute ambiguïté sur la cellule extraite.

Conçu pour les documents qui cassent tout le reste

Si vos documents sont des formulaires simples d’une page avec des mises en page cohérentes, la plupart des outils fonctionneront. Si vos documents contiennent des tableaux multipages avec cellules fusionnées, structures imbriquées, figures et annotations manuscrites, vous avez besoin d’un pipeline conçu pour la complexité.

Essayez anyformat sur vos documents les plus complexes →

anyformat est la plateforme d’intelligence documentaire conçue pour les entreprises qui traitent des documents complexes et à fort enjeu. Certifiée ISO 27001, conforme au RGPD, avec traitement à rétention zéro et déploiement on-premise. En savoir plus sur anyformat.ai