Extraire un tableau d'une image ou d'un PDF en Excel ou CSV

Avant de choisir un outil, déterminez de quel type de tableau il s’agit, car les trois sources courantes échouent de façons différentes. Ouvrez le PDF et essayez de sélectionner un seul chiffre avec le curseur. S’il se surligne tout seul, le fichier est un PDF texte : chaque caractère est stocké comme texte à une position exacte, et l’extraction consiste surtout à regrouper ces caractères en lignes et en colonnes. Si toute la page se surligne d’un bloc, ou si rien ne se surligne, vous avez affaire à l’image d’un tableau, et il faut d’abord lire les pixels.

Le troisième cas passe facilement inaperçu. De nombreux rapports issus d’anciens logiciels de comptabilité, de terminaux ou de corps d’e-mails ressemblent à des tableaux, mais ce sont de simples textes alignés avec des tabulations ou des suites d’espaces. Il n’y a aucune cellule, seulement une mise en page à chasse fixe. Lancer un OCR sur une capture d’écran de ce texte fait perdre des informations que vous avez déjà ; copier le texte et le découper en colonnes est plus rapide et exact. Les cartes ci-dessous résument ce dont chaque source a besoin.

La reconnaissance de tableaux est une seconde passe, effectuée une fois les caractères connus. Elle repère d’abord les cellules : sur les tableaux quadrillés, elle suit les lignes horizontales et verticales et considère chaque case fermée comme une cellule ; sur les tableaux sans bordures, elle cherche des couloirs verticaux d’espace vide sur toute la hauteur du bloc. Elle aligne ensuite les colonnes, en décidant qu’un nombre décalé de quelques pixels vers la droite par rapport à celui du dessus appartient à la même colonne.

Vient ensuite la ligne d’en-tête. Les outils cherchent une première ligne en gras, ombrée ou composée de mots au-dessus de colonnes de nombres, et réunissent en une seule cellule les en-têtes qui passent sur deux lignes. Les cellules fusionnées sont la dernière étape : une étiquette comme T1 couvrant trois colonnes de mois est détectée grâce à l’absence de lignes internes, puis reconstruite en cellule fusionnée ou copiée dans chaque colonne couverte.

Rien de tout cela n’est de la compréhension. Le logiciel ne sait pas qu’une colonne contient des dates ou qu’une ligne est un sous-total ; il ne voit que la géométrie et les caractères. C’est pourquoi le même outil peut être impeccable sur un relevé et brouiller le suivant, issu d’une autre banque, et pourquoi des réglages comme Style de tableau et Détecter la ligne d’en-tête existent : ils donnent au logiciel une information qu’il ne peut pas déduire de façon fiable.

La plupart des échecs se rangent en deux groupes. Les erreurs de géométrie cassent la grille : des valeurs atterrissent dans la mauvaise ligne ou colonne. Les erreurs de nombres laissent la grille intacte mais changent le sens d’une cellule, ce qui est pire car la feuille semble correcte. Une colonne mal placée se voit d’un coup d’œil ; 1.234 lu comme un décimal au lieu d’un millier, non.

Les paramètres régionaux sont la principale source de problèmes de nombres. Les États-Unis et le Royaume-Uni écrivent 1,234.56 ; l’Allemagne, le Brésil et la plupart de l’Europe continentale écrivent 1.234,56 ; la France utilise une espace comme séparateur de milliers ; la Suisse emploie souvent l’apostrophe, comme dans 1'234.56 ; et l’Inde regroupe les chiffres ainsi : 1,23,456. Les documents comptables ajoutent les négatifs entre parenthèses et des symboles monétaires collés aux chiffres. Voici ce qu’il faut surveiller et la solution pour chaque cas.

Chaque minute passée sur le fichier source en fait gagner plusieurs dans le tableur. Les moteurs d’OCR sont généralement réglés pour du texte numérisé à environ 300 dpi, soit environ 2480 × 3508 px pour une page A4 ou 2550 × 3300 px pour une page US Letter. Un smartphone récent dépasse facilement cette valeur si la page remplit le cadre, mais une photo de page entière prise de loin, puis recadrée sur un petit tableau, peut tomber bien en dessous.

Le contraste compte autant que la résolution. Les tickets en papier thermique pâlissent, les filets gris sur fond gris disparaissent, et l’ombre de votre téléphone sur la page peut couper une colonne en deux. Si vous extrayez régulièrement des tableaux d’un document papier, le guide pour numériser des documents en PDF détaille l’éclairage et les réglages du scanner. Avant d’importer, passez en revue cette liste.

La fonction Données à partir d’une image d’Excel est arrivée dans l’application Android en 2019, puis sur iPhone, et elle est désormais dans Excel pour Microsoft 365 sur Windows et Mac, sous Données > À partir d’une image. Vous photographiez ou chargez un tableau, vérifiez les cellules reconnues dans un volet latéral qui signale les valeurs douteuses, puis vous les insérez. Google propose un chemin moins direct : dans Drive, faites un clic droit sur une image ou un PDF et choisissez Ouvrir avec > Google Docs. L’aide de Google limite cette option aux fichiers de 2 Mo maximum et ne lit que les 10 premières pages d’un PDF ; le résultat est un document, donc le tableau arrive souvent sous forme de lignes de texte à coller dans Sheets puis à séparer.

Adobe Acrobat Pro exporte un PDF vers un classeur Microsoft Excel et lance l’OCR sur les pages numérisées pendant l’export. Excel pour Microsoft 365 sous Windows peut aussi extraire les tableaux d’un PDF texte avec Obtenir des données > À partir d’un fichier > À partir d’un PDF, qui ouvre Power Query : il liste chaque tableau détecté par page, permet de regrouper les pages mensuelles d’un relevé en un seul tableau et s’actualise quand vous remplacez le fichier par celui du mois suivant. Il ne lit pas les scans, et Excel pour Mac n’a pas ce connecteur.

Les convertisseurs en ligne couvrent le reste sans rien installer. Pour un PDF texte ou numérisé, PDF en Excel place chaque tableau détecté sur sa propre feuille ; pour une photo ou une capture d’écran, convertissez l’image en Excel ou enregistrez le tableau en CSV si un autre programme doit l’importer. Le tableau compare les cinq méthodes.

Un tableau converti qui a l’air correct n’est pas encore un tableau fiable. Commencez par le nombre de lignes : si le relevé liste 47 opérations, la feuille doit avoir 47 lignes de données, pas 46 parce que deux lignes ont fusionné, ni 49 parce qu’un libellé sur deux lignes est devenu une ligne à part. Additionnez ensuite une colonne numérique avec SOMME et comparez avec le total imprimé sur le document. S’il n’y a pas de total, additionnez quelques valeurs à la main et comparez.

Cherchez ensuite les cellules qui font seulement semblant d’être des nombres. Dans Excel, les vrais nombres sont alignés à droite par défaut et le texte à gauche : une colonne avec quelques montants alignés à gauche vous met la puce à l’oreille ; ESTNUM sur une colonne d’aide les trouve tous d’un coup. Les dates méritent la même méfiance. Une date lue comme du texte se trie par ordre alphabétique, donc 10/02 se place avant 2/03, et 03/04 peut signifier le 3 avril ou le 4 mars selon son auteur.

Enfin, vérifiez ce qui a été perdu plutôt que ce qui a été modifié. Les longs numéros de compte et de carte sont un piège classique : Excel stocke les nombres avec 15 chiffres significatifs, donc un numéro de carte de 16 chiffres saisi ou importé comme nombre voit son dernier chiffre remplacé par un zéro.

Choisissez XLSX quand une personne travaillera sur les données dans Excel, Google Sheets ou Numbers. Il conserve plusieurs tableaux sur des feuilles séparées, de vrais types nombre et date, les en-têtes en gras et les cellules fusionnées. Choisissez CSV quand un logiciel doit l’importer : applications de budget, logiciels de comptabilité, bases de données et scripts. Le CSV est du texte brut, avec un tableau par fichier, décrit dans la RFC 4180 de 2005, et les trois réglages importants sont le délimiteur, l’encodage et le stockage ou non des nombres comme nombres.

Le délimiteur doit correspondre au programme d’import ; Excel, dans les pays qui écrivent les décimales avec une virgule, attend des points-virgules. L’encodage détermine si des noms comme Müller ou São Paulo survivent : UTF-8 avec BOM est ce qu’Excel pour Windows lit correctement au double-clic. Les zéros initiaux sont la perte classique. Les codes postaux américains comme 02134, les identifiants d’employés et les codes produits sont des identifiants, pas des quantités, et deviennent 2134 dès que quelque chose les traite comme des nombres. Désactivez Enregistrer les nombres comme nombres pour les tableaux pleins d’identifiants, ou importez le CSV en définissant ces colonnes au format Texte.

Extraire un tableau est une simple recherche ; extraire une année de factures ou douze relevés bancaires mensuels est un petit projet de données. Gardez si possible les documents sources dans la même mise en page et convertissez-les en une seule fois pour que chaque fichier reçoive les mêmes réglages. Avec des PDF texte, importez-en jusqu’à 20 à la fois, de 95 Mo maximum chacun, et choisissez Tout sur une seule feuille dans l’option Feuilles quand le tableau des opérations d’un relevé continue sur plusieurs pages. Les photos se convertissent un tableau à la fois ; pour une pile de factures papier, il est souvent plus rapide de regrouper d’abord les pages avec image en PDF, puis d’indiquer dans Pages du PDF la plage qui contient les tableaux.

Après un lot, regroupez les résultats dans une seule feuille avec une colonne indiquant le nom du fichier source. Si les documents sont surtout du texte avec un ou deux tableaux, convertir le PDF en Word garde plutôt les paragraphes et les tableaux ensemble.

Relevés bancaires, bulletins de paie et factures contiennent des numéros de compte, des adresses et un historique de dépenses : réfléchissez donc à leur destination. Sur UltKit, les fichiers importés et générés sont supprimés 30 minutes après le traitement et ne sont lus par personne. La copie la plus sûre reste toutefois celle qui ne quitte jamais votre ordinateur : rognez ou masquez les colonnes inutiles, comme les numéros de compte complets, avant l’import, et supprimez les exports locaux dont vous n’avez plus besoin.