Extraction de tableaux
L'extraction de tableaux (table extraction) consiste à repérer les tableaux dans des documents et à reconstruire leurs lignes, colonnes, en-têtes et cellules sous forme de données structurées, comme du HTML, du Markdown ou du CSV, plutôt que de lignes de texte éparses.
Aussi appelé : table structure recognition, table detection
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Les prix, les caractéristiques techniques, les résultats financiers et les données de test se trouvent généralement dans des tableaux. Un extracteur de texte naïf aplatit un tableau en une suite de nombres sans lien avec leurs en-têtes, si bien qu'un modèle à qui l'on demande « quel était le chiffre d'affaires du T3 ? » ne peut pas savoir quel chiffre appartient à quelle colonne. L'extraction de tableaux conserve cette structure, ce qui en fait l'une des parties les plus difficiles et les plus précieuses du parsing de documents.
Comment ça marche
La tâche est généralement divisée en trois. La détection de tableaux repère où se trouvent les tableaux sur la page, souvent dans le cadre de l'analyse de mise en page. La reconnaissance de structure identifie les lignes, les colonnes et les cellules fusionnées dans chaque tableau. L'analyse fonctionnelle détermine quelles cellules sont des en-têtes. Les données d'entraînement comptent : PubTables-1M, un jeu de données de près d'un million de tableaux issus d'articles scientifiques, a montré que des modèles de détection d'objets à base de transformers entraînés dessus gèrent bien les trois tâches. Le texte des cellules provient de la couche de texte du PDF ou de l'OCR.
Exemple
Un rapport annuel contient un tableau dont l'en-tête s'étend sur deux lignes et dont la première colonne regroupe les postes par région. Une bonne extraction produit un tableau HTML avec les cellules d'en-tête fusionnées et les regroupements par région intacts, si bien que chaque nombre peut être rattaché à sa ligne et à sa colonne. Cette sortie peut ensuite être stockée d'un seul bloc, pour que le chunking ne coupe pas un tableau entre plusieurs chunks.
Limites
Les tableaux sans filets, les tableaux qui se poursuivent sur plusieurs pages, les tableaux imbriqués et les graphiques qui ressemblent à des tableaux restent des cas d'échec courants. Vérifiez les nombres extraits par rapport à la source avant de les utiliser dans des rapports.
Termes liés
- Analyse de documents
- L'analyse de documents (document parsing) convertit des fichiers comme des PDF, des numérisations, des diapositives et des tableurs en texte structuré exploitable par un logiciel, en conservant les titres, l'ordre de lecture, les tableaux et les images au lieu d'un flux plat de caractères.
- Analyse de la mise en page
- L'analyse de la mise en page (layout analysis) est la partie de l'analyse de documents qui repère les zones d'une page, comme les titres, paragraphes, tableaux, figures, légendes et pieds de page, attribue une étiquette à chacune et détermine l'ordre dans lequel une personne les lirait.
- Reconnaissance optique de caractères
- La reconnaissance optique de caractères (OCR) est un logiciel qui lit le texte dans des images, comme des pages numérisées, des photos ou des captures d'écran, et le transforme en caractères lisibles par une machine, que l'on peut rechercher, copier ou fournir à un modèle.
- Chunking
- Le chunking (découpage en fragments) est l'étape qui divise les longs documents en passages plus petits avant qu'ils soient vectorisés et indexés, afin qu'un système de récupération puisse trouver et renvoyer uniquement les parties d'un document qui répondent à une requête.
- Sortie structurée
- La sortie structurée (structured output) est une fonctionnalité d'API qui oblige la réponse d'un modèle de langage à suivre un format que vous définissez, généralement un JSON Schema, pour que du code puisse l'analyser de façon fiable au lieu d'extraire des informations d'un texte libre.