N'y a-t-il vraiment aucune structure de tableau dans un PDF ?

Dans l'immense majorité des fichiers PDF standard, il n'y en a effectivement aucune. Le fichier ne consigne que quel caractère est tracé à quelles coordonnées et quel trait va d'un point à un autre. Ce que votre œil perçoit comme un tableau est une impression visuelle née de la combinaison d'un texte soigneusement aligné et de traits dessinés autour. Il existe une exception : dans les PDF balisés produits selon les règles d'accessibilité, la structure des tableaux est explicitement marquée, et l'extraction depuis ces fichiers est bien plus fidèle. En pratique, toutefois, la plupart des fichiers rencontrés sont dépourvus de balises.

Comment le convertisseur devine-t-il les limites des cellules ?

Deux indices fondamentaux sont exploités. Le premier, ce sont les traits : si des lignes horizontales et verticales sont tracées sur la page, leurs intersections donnent directement la grille des cellules et le résultat est assez fiable. Le second, c'est l'alignement : en l'absence de traits, l'algorithme observe si les fragments de texte de différentes lignes commencent à des positions horizontales voisines et interprète les groupes de texte alignés verticalement comme des colonnes. La seconde méthode repose par nature sur l'estimation et peut se tromper, en particulier avec des tableaux comportant des cellules vides ou des contenus alignés différemment.

Pourquoi n'y a-t-il aucune formule dans le tableau exporté vers Excel ?

Parce que les formules ne sont jamais présentes dans un fichier PDF. Lorsque vous enregistrez un fichier Excel en PDF, les résultats des calculs sont tracés sur la page, mais les formules qui les ont produits ne sont jamais écrites dans le fichier. Un PDF ne conserve que l'apparence, pas la logique de calcul. Après conversion, vous disposez donc des bons nombres, mais ce sont des valeurs figées. Le seul moyen de récupérer les formules est de demander le fichier Excel original à la personne qui a produit le document ; la conversion ne peut pas régénérer cette information puisqu'elle n'existe pas dans la source.

Pourquoi différents outils extraient-ils le même tableau différemment ?

Parce que les seuils utilisés pour deviner les limites des cellules diffèrent d'un outil à l'autre. Des décisions telles que la largeur que doit atteindre l'espace entre deux fragments de texte pour qu'ils comptent comme des cellules distinctes, ou l'écart d'alignement encore admis au sein d'une même colonne, relèvent de choix de conception. Ces différences sont imperceptibles sur des tableaux réglés et quadrillés, car aucune estimation n'y est nécessaire. Avec des tableaux sans bordures aux espacements irréguliers, en revanche, un même fichier peut donner des résultats visiblement différents selon les outils.

Pourquoi les tableaux des PDF sont-ils si difficiles à extraire ? La logique derrière la conversion Excel

Le tableau que voit votre œil n'est pas dans le fichier

Que voyez-vous lorsque vous ouvrez un PDF et regardez un tableau qu'il contient ? Des lignes, des colonnes, des cellules, peut-être des bordures et une ligne d'en-tête grisée. La structure est parfaitement claire ; d'un coup d'œil, vous savez quelle valeur appartient à quelle colonne.

Regardons à présent l'intérieur de ce même fichier. Un fichier PDF contient des commandes de ce type : trace ces caractères à ce point, tire un trait d'ici à là, remplis ce rectangle en gris clair. C'est tout. Nulle part dans le fichier il n'est écrit « il y a ici un tableau à trois colonnes ». La notion de cellule n'existe pas. La notion de ligne n'existe pas.

Ce que vous percevez comme un tableau est l'impression que produit dans votre œil un texte soigneusement aligné associé à des traits dessinés autour. Le cerveau humain interprète ce motif comme un tableau instantanément ; un algorithme, lui, doit le deviner de zéro.

Dans cet article, nous expliquons comment se déroule ce processus d'estimation, pourquoi certains tableaux sont extraits sans défaut et pourquoi d'autres se disloquent.

Comment un convertisseur trouve-t-il un tableau ?

Un algorithme d'extraction de tableaux résout en réalité deux problèmes distincts. Il repère d'abord les zones de la page susceptibles d'être des tableaux, puis il dégage la grille des cellules de cette zone. Pour la seconde étape, il existe deux stratégies fondamentales, et celle qui se trouve disponible détermine largement la qualité de la conversion.

L'approche fondée sur les traits

Si le tableau possède de véritables bordures, la tâche est assez simple. L'algorithme rassemble les traits horizontaux et verticaux de la page, calcule leurs intersections et retient la grille obtenue comme structure de cellules. Il attribue ensuite à chaque cellule les fragments de texte tombant dans ses limites.

Cette approche est fiable car la part d'estimation est faible ; les traits sont explicitement inscrits dans le fichier. Les tableaux entièrement bordés et proprement tracés s'extraient donc quasiment sans défaut.

L'approche fondée sur les blancs

Si le tableau est sans bordures, ce qui est très répandu dans la conception documentaire moderne, l'algorithme ne dispose d'aucun trait. Le seul indice est alors l'alignement. L'algorithme procède ainsi : il examine les positions horizontales de départ des fragments de texte des différentes lignes et considère ceux qui s'alignent entre eux comme appartenant à la même colonne. De la même manière, il regroupe les cellules d'une même ligne d'après leurs positions verticales.

Cette approche fonctionne, mais elle est fragile. Si une cellule est vide, le motif d'alignement se rompt. Si le texte d'une cellule est aligné à droite alors que les autres le sont à gauche, l'algorithme peut les prendre pour des colonnes différentes. Si le texte d'une cellule court sur deux lignes, la seconde peut être interprétée comme une ligne de tableau distincte.

Les défaillances les plus fréquentes et leurs causes

Comprendre pourquoi certains tableaux se disloquent vous indique aussi à quoi vous attendre selon les documents.

Les cellules fusionnées. Un titre s'étendant sur deux colonnes rompt la logique de la grille. L'algorithme doit décider à quelle colonne appartient ce texte et l'attribue généralement à la première, ce qui crée un décalage avec les données situées en dessous.

Le texte multiligne dans une cellule. Si une longue description court sur trois lignes à l'intérieur d'une cellule, l'approche fondée sur les blancs peut la prendre pour trois lignes de tableau distinctes, la désalignant par rapport aux valeurs sur une seule ligne des autres colonnes.

Les cellules vides. Une cellule vide signifie qu'aucun texte n'a été tracé à cet emplacement. L'algorithme peut ne pas comprendre qu'il y a là une colonne, et les valeurs situées à droite se décalent d'une colonne vers la gauche. C'est le type d'erreur le plus dangereux, car il produit silencieusement des données fausses.

Les tableaux à cheval sur plusieurs pages. Dans un PDF, chaque page est indépendante. Si un tableau se poursuit sur la page suivante, l'algorithme le traite comme un tableau distinct. Les en-têtes de page, numéros de page et répétitions de titres de colonnes intercalés se mêlent aux données.

Les en-têtes imbriqués. Les structures à deux niveaux, avec un large titre de catégorie en haut et des sous-titres en dessous, ne se transposent pas directement dans le modèle de tableau plat d'Excel et sont généralement aplaties.

Pourquoi les formules ne suivent-elles pas ?

C'est ce qui surprend le plus les utilisateurs, mais la raison est extrêmement simple : les formules ne se trouvent pas du tout dans le fichier PDF.

Que se passe-t-il lorsque vous enregistrez un fichier Excel en PDF ? Excel calcule d'abord toutes les formules, obtient les résultats et trace ces résultats sur la page. Ce qui est écrit dans le fichier PDF, c'est le nombre 1 250 ; non la formule de somme qui l'a produit. La formule a été définitivement perdue au moment de l'enregistrement.

Par conséquent, aucun convertisseur ne peut extraire de formules d'un PDF, puisqu'il n'y en a aucune à extraire. Après conversion, vous disposez des bons nombres, mais ce sont des valeurs figées ; la logique de calcul est à reconstruire. La même logique vaut pour la mise en forme des cellules, les règles de mise en forme conditionnelle et les paramètres de validation des données ; tout cela disparaît lors de l'écriture en PDF.

Ce n'est pas une lacune de la conversion, c'est la nature du format. Si vous avez besoin des formules, la seule voie passe par la personne qui a produit le document.

Tableaux numérisés : une couche d'erreur supplémentaire

Dans un document numérisé, la page est en réalité une photographie, et il n'y a aucune commande de texte à y lire. Avec ces fichiers, l'OCR, c'est-à-dire la reconnaissance optique de caractères, doit intervenir en premier.

Avec les tableaux, l'OCR présente un risque particulier : la confusion de caractères sur les données chiffrées. Des paires comme le zéro et le O majuscule, le chiffre un et le l minuscule, le six et le huit ou le trois et le huit sont facilement mal reconnues sur des numérisations à faible résolution. Dans un document texte, une telle erreur saute immédiatement aux yeux car le mot devient absurde. Dans un tableau, un 63 à la place d'un 68 ne se remarque absolument pas et entre silencieusement, et faussement, dans votre calcul.

C'est pourquoi le contrôle de la sortie n'est pas une étape facultative avec les tableaux numérisés. S'il existe une ligne de total dans l'original, calculer la même somme dans Excel et comparer est la méthode de vérification la plus rapide et la plus efficace.

Quels tableaux s'exportent proprement ?

Traduisons ce savoir en une carte pratique des attentes. Les tableaux présentant les caractéristiques suivantes s'exportent quasi intégralement : entièrement bordés, avec une seule ligne de texte par cellule, sans cellules fusionnées, tenant sur une seule page et textuels. Les relevés bancaires, les listes de prix simples et les extractions de données brutes entrent généralement dans cette catégorie.

Ces caractéristiques-ci, en revanche, exigent des corrections : tableaux sans bordures alignés uniquement par des blancs, cellules multilignes, en-têtes imbriqués, longs tableaux à cheval sur plusieurs pages et documents numérisés. Avec de tels fichiers, prendre la conversion comme point de départ reste bien plus rapide qu'une saisie manuelle ; mais il ne faut pas utiliser le résultat sans le vérifier. Pour voir ce que donne votre propre fichier, vous pouvez essayer l'outil PDF vers Excel.

En résumé

La structure des tableaux n'est le plus souvent pas enregistrée dans les fichiers PDF ; il n'y a que des coordonnées de texte et des traits. Les convertisseurs dégagent la grille des cellules soit en lisant les traits, soit en la devinant à partir des motifs d'alignement. Avec des tableaux quadrillés et réguliers, le résultat est fiable ; avec des tableaux sans bordures, à cellules fusionnées ou s'étendant sur plusieurs pages, la part d'estimation grandit et des corrections s'imposent. Les formules ne suivent en aucun cas, car elles n'ont jamais été écrites dans le PDF. Et avec les tableaux numérisés, l'OCR ajoute sa propre couche d'erreur, rendant la vérification chiffrée obligatoire.