Comment convertir des rapports PDF en données structurées

Extraire un tableau d'un PDF, c'est une chose. On repère les lignes et les colonnes, on les récupère. C'est fait. Les rapports, c'est un tout autre problème.

Un rapport financier annuel peut disperser les chiffres dont vous avez besoin dans dix tableaux distincts, enfouir des données clés au milieu de paragraphes de commentaires, et formater chaque section différemment. Les données sont là, mais personne n'a conçu le document pour faciliter l'extraction. Il a été conçu pour être lu.

Le problème de la structure

Ouvrez n'importe quel rapport de plus de quelques pages et vous trouverez un mélange de types de contenu nécessitant chacun un traitement différent. Les tableaux récapitulatifs en haut sont généralement des grilles propres. Plus loin dans le document, vous tombez sur des indicateurs intégrés dans des phrases ("Le chiffre d'affaires a augmenté de 12 % en glissement annuel pour atteindre 4,2 M$"), des tableaux comparatifs avec une mise en forme chargée, et des données en annexe pouvant s'étendre sur plusieurs pages. Les graphiques contiennent aussi des données, mais sous une forme impossible à extraire directement.

Une extraction en une seule passe qui tente de récupérer "tous les tableaux" va manquer les chiffres intégrés au texte et déformer les structures imbriquées. Il faut être plus ciblé que ça.

Travailler section par section

L'approche qui fonctionne réellement pour les rapports complexes consiste à traiter chaque donnée comme une tâche d'extraction distincte. Au lieu de traiter l'ensemble du document d'un coup, on cible des éléments précis : la ventilation du chiffre d'affaires en page 12, la comparaison trimestrielle en pages 15-16, le récapitulatif des coûts en annexe.

Des outils comme unPDF vous permettent de décrire exactement ce dont vous avez besoin pour une plage de pages donnée. Être précis sur l'emplacement et la structure donne au moteur d'extraction de bien meilleures chances d'interpréter correctement la mise en page. "Extraire le bilan des pages 8 à 11" sera presque toujours plus performant que "extraire toutes les données financières".

Les tableaux multi-pages

Les tableaux qui s'étendent sur plusieurs pages sont un casse-tête classique. Le saut de page coupe les lignes, la ligne d'en-tête se répète sur la page suivante, et soudain vous avez des noms de colonnes en double mélangés à vos données.

Les bons outils d'extraction reconnaissent les continuations et fusionnent les pages en un seul tableau, éliminant les en-têtes dupliqués. Lorsque vous utilisez l'un de ces outils, spécifier la plage de pages complète dès le départ ("pages 8 à 11") l'aide à comprendre qu'il s'agit d'un seul tableau, et non de quatre fragments.

Les types de contenu mixtes

La plupart des rapports contiennent au moins quelques formats de données différents, et chacun nécessite une instruction légèrement différente.

Les indicateurs intégrés se trouvent à l'intérieur de paragraphes. Vous ne les obtiendrez pas par une extraction de tableau. Demandez plutôt "les indicateurs financiers clés mentionnés dans le résumé exécutif" et laissez l'outil extraire les chiffres du texte environnant.

Les tableaux comparatifs (cette année vs. l'année dernière, réalisé vs. budget) ont une structure normale mais utilisent souvent l'indentation ou le gras pour montrer la hiérarchie. Mentionner cette hiérarchie dans votre instruction, quelque chose comme "conserver l'imbrication des catégories", aide à garder le résultat organisé.

Les tableaux imbriqués sont les plus complexes. Un humain voit que les lignes indentées sont des sous-éléments sous un en-tête de catégorie. Les outils d'extraction qui s'attendent à des lignes plates vont aplatir cette hiérarchie si on ne leur dit pas de la conserver.

Que faire avec le résultat

Une fois que vous avez des données structurées issues d'un rapport, les prochaines étapes dépendent de ce que vous construisez. Si vous extrayez les mêmes données de rapports trimestriels, vous pouvez assembler une série temporelle. Vous pouvez croiser les chiffres de synthèse avec les ventilations détaillées pour vérifier la cohérence. Des chiffres propres dans un tableur signifient que vous pouvez appliquer des formules et des projections que le PDF original n'était pas censé supporter.

Quand l'extraction atteint ses limites

Certains rapports résistent à l'extraction. Des mises en page très travaillées, des filigranes superposés aux données, des tableaux intégrés sous forme d'images. C'est difficile pour n'importe quel outil.

Quelques conseils pratiques :

• Ciblez d'abord les données les plus importantes au lieu d'essayer de tout récupérer
• Si le fichier Word ou Excel d'origine existe, utilisez-le à la place du PDF
• Pour les rapports que vous traitez régulièrement, construisez un workflow reproductible adapté aux particularités du document
• Acceptez que certaines cellules nécessiteront une correction manuelle

Vous n'allez pas automatiser 100 % du travail sur un rapport complexe. Mais passer d'une heure de ressaisie à cinq minutes de nettoyage, ça vaut l'effort.