Guide
Comment extraire des données produit de PDF
Les PDF fournisseurs contiennent les spécifications dont votre catalogue a besoin, mais pas sous une forme importable. Voici quatre façons de les transformer en données produit structurées, et comment choisir entre elles.
L’extraction de données produit consiste à prendre les valeurs imprimées dans un document — numéros de modèle, dimensions, matériaux, capacités, puissances, avertissements — et à les transformer en champs exploitables par un système. Pour une poignée de produits, copier à la main suffit. Pour un catalogue fournisseur de centaines de SKU, avec une mise en page de PDF différente pour chaque fabricant, la méthode choisie détermine la durée de l’intégration et le nombre d’erreurs qui arrivent dans votre boutique.
Nous comparons ci-dessous les quatre approches courantes, puis nous passons en revue les contrôles qui comptent quelle que soit la méthode.
Commencer par le résultat : définir votre schéma produit
Avant d’extraire quoi que ce soit, décidez des champs dont vous avez besoin et de leur forme. Le schéma d’un petit appareil peut comprendre le modèle, la marque, l’EAN, la largeur/hauteur/profondeur en millimètres, le poids en kilogrammes, la puissance en watts, la tension, le matériau, la couleur et les avertissements. Définir à l’avance les unités et les valeurs autorisées est ce qui rend les données extraites comparables d’un fournisseur à l’autre.
Si vous vendez sur plusieurs canaux, associez chaque champ aux noms d’attributs utilisés par ces canaux (par exemple les options de produit Shopify ou les attributs WooCommerce), afin de pouvoir réutiliser le résultat de l’extraction sans une nouvelle étape de reformatage.
Méthode 1 : copier-coller manuel
Une personne ouvre le PDF et saisit ou colle les valeurs dans un tableur ou un formulaire produit. Aucun outil n’est nécessaire et toutes les mises en page sont gérées, ce qui explique pourquoi la plupart des équipes commencent ainsi.
Les coûts augmentent avec le volume : c’est lent, l’attention se relâche, et les erreurs de transcription — un chiffre inversé dans un numéro de modèle, une valeur prise dans la mauvaise colonne — sont difficiles à repérer par la suite. La saisie manuelle convient aux petits catalogues ou comme étape de vérification en complément d’une méthode automatisée.
Méthode 2 : outils d’extraction de tableaux PDF
Les outils d’extraction de tableaux (y compris les solutions open source et les fonctions d’export des éditeurs PDF) détectent les tableaux dans les PDF numériques et les exportent vers CSV ou Excel. Ils sont rapides lorsque les données se trouvent réellement dans un tableau propre.
Ils peinent avec les valeurs écrites dans le texte courant, les cellules fusionnées, les tableaux sur plusieurs pages et les documents numérisés, et ils renvoient des tableaux bruts plutôt que des champs nommés — vous devez encore associer les colonnes à votre schéma et nettoyer les en-têtes, les unités et les notes de bas de page.
Méthode 3 : analyse par modèles ou par zones
Les analyseurs à base de modèles permettent de définir, pour une mise en page donnée, l’emplacement de chaque champ sur la page. Une fois configuré, chaque document ayant exactement cette mise en page est extrait de façon cohérente, ce qui convient aux gros volumes de documents identiques, comme les factures d’un même émetteur.
Les fiches techniques fournisseurs sont rarement aussi uniformes. Chaque fabricant — et souvent chaque gamme de produits — a besoin de son propre modèle, et les modèles cessent de fonctionner lorsque le fournisseur change de présentation. Pour les catalogues issus de nombreux fournisseurs, la maintenance dépasse vite les gains.
Méthode 4 : extraction par IA
L’extraction par IA utilise des modèles de langage et de vision pour lire le document comme le ferait une personne : elle trouve le numéro de modèle qu’il se trouve dans un en-tête, un tableau ou une phrase, et renvoie les champs de votre schéma avec leurs valeurs et leurs unités. Comme elle ne dépend pas de positions fixes, une seule configuration peut gérer de nombreuses mises en page de fournisseurs, y compris des pages numérisées.
Le revers de la médaille est que le résultat de l’IA doit être vérifié. Les bons outils affichent un indicateur de confiance et la preuve source des valeurs extraites afin que les relecteurs se concentrent sur les valeurs incertaines, et ils laissent un champ vide ou signalé plutôt que de deviner lorsque le document ne l’indique pas. L’extraction de données produit à partir de PDF de Doc2Shelf attribue à chaque extraction un score de confiance et de complétude et enregistre les faits extraits avec leur page et une courte citation ; la fiche vérifiée peut alimenter les fiches produit et les brouillons de conformité.
Comment choisir une méthode
Une règle empirique pratique :
- Moins d’environ 20 produits, ou des ajouts ponctuels : saisie manuelle avec un schéma clair.
- Tableaux numériques propres, un ou deux fournisseurs : un outil d’extraction de tableaux suivi d’un nettoyage.
- Gros volumes d’une même mise en page identique : analyse par modèles.
- Nombreux fournisseurs, mises en page variées ou PDF numérisés : extraction par IA avec vérification humaine.
Contrôles pour garder des données extraites exactes
Quelle que soit la méthode, les mêmes problèmes causent la plupart des erreurs. Intégrez ces contrôles à votre étape de vérification :
- Correspondance des modèles : lorsqu’une fiche couvre plusieurs modèles, vérifiez que chaque valeur appartient à la bonne colonne de modèle.
- Unités : normalisez les unités (mm ou cm, W ou kW) et conservez l’unité avec chaque valeur numérique.
- Notes de bas de page et conditions : des valeurs comme la capacité ou l’autonomie dépendent souvent de conditions d’essai indiquées.
- Identifiants : vérifiez les chiffres de contrôle des EAN/GTIN et les numéros de modèle caractère par caractère.
- Valeurs manquantes ou contradictoires : interrogez le fournisseur plutôt que de déduire une valeur qui ne figure pas dans le document.
- Traçabilité : conservez le PDF source lié à l’enregistrement pour que chacun puisse revérifier une valeur plus tard.
Comparatif des méthodes d’extraction
Les quatre méthodes ci-dessus diffèrent moins par ce qu’elles savent lire que par les facteurs qui déterminent leur exactitude et par l’effort de configuration qu’elles demandent. L’OCR a aussi sa place dans la comparaison, mais comme une couche et non comme une méthode : il transforme une page numérisée en texte, et l’une des autres méthodes doit encore convertir ce texte en champs.
L’exactitude n’est jamais une propriété de la seule méthode. Elle dépend des documents que vous fournissez, de la clarté avec laquelle votre schéma définit chaque champ et de la rigueur de l’étape de vérification — c’est pourquoi il vaut mieux la mesurer sur un échantillon de vos propres PDF fournisseurs que de se fier à des chiffres publiés.
| Méthode | L’exactitude dépend de | Effort de configuration | Résultat | Idéal pour |
|---|---|---|---|---|
| Saisie manuelle | L’attention du relecteur et un schéma clair | Aucun | Champs nommés, tels que saisis | Petits catalogues ; ajouts ponctuels ; l’étape de vérification |
| Copier-coller ou export PDF vers Excel | Une vraie couche de texte et des tableaux propres, sans cellules fusionnées | Faible | Texte brut ou tableaux à mapper à la main | Tableaux numériques propres provenant d’un ou deux fournisseurs |
| Analyse par modèles ou par zones | Une mise en page identique dans chaque document | Élevé pour chaque mise en page, à refaire quand elle change | Champs nommés | Gros volumes d’une seule mise en page fixe |
| OCR | Résolution du scan, contraste, inclinaison, polices, langue | Faible à moyen | Texte uniquement | Rendre lisibles les pages numérisées pour une autre méthode |
| Extraction par IA | Clarté du schéma, qualité des documents, rigueur de la vérification | Faible pour chaque mise en page ; nécessite un processus de vérification | Champs nommés avec valeurs et unités | Nombreux fournisseurs, mises en page variées, texte et tableaux mélangés |
Gérer les tableaux de caractéristiques et les tableaux multi-variantes
La plupart des erreurs d’extraction sur les fiches techniques se produisent dans les tableaux, et surtout lorsqu’un même tableau décrit plusieurs modèles. Un tableau qui paraît évident à un lecteur cache une structure sur laquelle un analyseur ou une personne fatiguée peut se tromper : des unités présentes uniquement dans l’en-tête, des cellules fusionnées sur plusieurs modèles, des appels de note collés aux nombres et des tableaux qui se poursuivent sur la page suivante.
Passez en revue chaque tableau de caractéristiques dans un ordre fixe avant de copier la moindre valeur dans une fiche :
- Repérez l’orientation : les modèles ou variantes sont-ils en colonnes ou en lignes ? Notez-en le nombre pour pouvoir contrôler le nombre de fiches à la fin.
- Lisez toutes les lignes d’en-tête, y compris les unités entre parenthèses, et reportez l’unité sur chaque cellule de la colonne ou de la ligne concernée.
- Dépliez les cellules fusionnées : une valeur qui couvre plusieurs colonnes de modèles s’applique à chacun de ces modèles, pas seulement au premier.
- Rassemblez les tableaux répartis sur plusieurs pages en vérifiant que l’en-tête répété n’est pas lu comme une ligne de données et qu’aucune ligne n’est perdue au saut de page.
- Séparez les appels de note des nombres — « 1,1¹ » signifie 1,1 avec la note 1, et non 1,11 — et enregistrez le texte de la note comme condition de cette valeur.
- Distinguez vide, « — », « n/a » et « facultatif » : vide signifie inconnu, un tiret signifie souvent non applicable, et aucun des deux ne doit devenir zéro.
- Cherchez les valeurs situées hors du tableau, comme « tous les modèles : 230 V » en dessous, et appliquez-les à chaque modèle concerné.
- Scindez le tableau en une fiche par modèle ou variante, puis vérifiez que leur nombre correspond à l’étape 1.
PDF numérisés et qualité de l’OCR
Vérifiez d’abord si un PDF possède une couche de texte : si vous pouvez sélectionner ou rechercher le texte, il est numérique ; sinon, c’est une image et il faut passer par l’OCR avant qu’un outil de tableaux puisse la lire. Lorsqu’un fournisseur envoie un scan, demandez l’original numérique — cela supprime toute une catégorie d’erreurs. Si vous devez numériser vous-même, une résolution d’environ 300 dpi est une recommandation courante pour le texte, et des pages bien droites et contrastées comptent autant que la résolution.
Les erreurs d’OCR sont dangereuses car elles produisent un résultat plausible. Les caractères confondus sont prévisibles, les contrôles peuvent donc l’être aussi :
| Erreur d’OCR | Exemple | Comment la détecter |
|---|---|---|
| Lettres et chiffres confondus (O/0, l/1, S/5, B/8) | « AX-1OO » au lieu de AX-100 | Contrôles de format sur les références de modèle ; clé de contrôle du GTIN |
| Séparateur décimal perdu | « 1,5 l » lu « 15 l » | Plage de vraisemblance pour chaque attribut |
| Appel de note fusionné dans un nombre | « 1,1¹ kg » lu « 1,11 kg » | Comparer avec les modèles voisins ; chercher le texte de la note |
| Mauvais ordre de lecture | Deux colonnes réunies en une seule ligne | Vérifier le nombre de valeurs par modèle |
| Symboles d’unité mal lus | « °C » lu « oC », « µm » lu « um » | Liste d’unités autorisées pour chaque attribut |
| Signe moins ou tiret perdu | « −20 °C » lu « 20 °C » | Vérifier que le minimum de la plage est inférieur ou égal au maximum |
Exemple concret : une fiche technique devient une fiche structurée
Voici comment les étapes ci-dessus s’appliquent à une fiche technique de bouilloire fictive couvrant deux modèles dans un même tableau. Il s’agit d’un exemple pédagogique, et non d’un produit réel ni du résultat d’une extraction mesurée. Chaque ligne source est associée à un champ, normalisée puis contrôlée.
Le résultat est composé de deux fiches variantes partageant la capacité, la puissance et la tension, chacune avec sa propre couleur, son propre poids et son propre identifiant — plus deux questions en suspens pour le fournisseur. Rien n’a été renseigné par supposition : l’EAN du second modèle et le pays d’origine restent vides tant que le fournisseur ne les a pas communiqués. La normalisation des valeurs et des unités chez de nombreux fournisseurs, et non sur une seule fiche, est traitée dans le guide sur les attributs produit.
| Ligne source telle qu’imprimée | Champ | Valeur extraite | Contrôle appliqué |
|---|---|---|---|
| Modèle : AX-100 | AX-100B | model_number | AX-100 ; AX-100B | Deux colonnes, donc deux fiches variantes |
| Capacité 1,5 l (fusionnée sur les deux modèles) | capacity | 1,5 L pour chaque modèle | Virgule décimale ; cellule fusionnée copiée sur les deux |
| Puissance 1850–2200 W | rated_power | min. 1850 W, max. 2200 W | Conservée comme plage, et non comme un seul nombre |
| 220–240 V~ 50/60 Hz | rated_voltage ; frequency | 220–240 V CA ; 50/60 Hz | Une ligne, deux champs |
| Couleur : acier brossé | noir | color | acier brossé ; noir | Une valeur par variante |
| Poids net (kg) 1,1¹ | 1,0¹ | net_weight | 1,1 kg ; 1,0 kg | Unité reprise de l’en-tête ; note ¹ « sans socle » conservée |
| EAN 6291041500213 | — | gtin | 6291041500213 ; vide | Clé de contrôle valide ; demander l’EAN manquant |
| (non indiqué) | country_of_origin | vide | À demander au fournisseur ; jamais déduit |
Modes de défaillance courants et workflow de vérification
Un petit nombre de caractéristiques de documents, toujours les mêmes, explique la plupart des erreurs d’extraction, quelle que soit la méthode. Les connaître permet de concevoir la vérification autour des vrais risques plutôt que de relire chaque valeur avec la même attention.
- Vérifiez le document : bon produit, révision actuelle, toutes les pages présentes.
- Contrôlez par rapport à la source chaque identifiant (référence de modèle, GTIN avec sa clé de contrôle) et chaque valeur liée à la sécurité — avertissements, caractéristiques électriques, informations sur les dangers.
- Lancez des contrôles automatiques sur le reste : unités présentes, valeurs dans des plages vraisemblables, champs obligatoires renseignés.
- Vérifiez par sondage un échantillon des autres champs pour chaque fournisseur, et élargissez l’échantillon lorsque vous trouvez des erreurs.
- Transformez les lacunes non résolues en questions au fournisseur plutôt qu’en estimations.
- Conservez le PDF source, le relecteur et la date de vérification avec la fiche.
| Mode de défaillance | Ce qui pose problème | Prévention |
|---|---|---|
| Unités uniquement dans les en-têtes | Les nombres bruts perdent leur unité | Reporter les unités de l’en-tête sur chaque valeur ; rejeter les mesures sans unité |
| Notes de bas de page et conditions d’essai | « Typique », « à 25 °C » ou « sans socle » est omis | Enregistrer les conditions avec la valeur |
| Cellules fusionnées | Valeur attribuée au premier modèle seulement | Déplier les cellules fusionnées avant de scinder les variantes |
| Fiches techniques multilingues | Virgules décimales mal lues ; même valeur saisie deux fois dans deux langues | Lecture des nombres selon la langue ; liste de synonymes d’en-têtes ; dédoublonnage |
| Plusieurs produits dans un même PDF | Valeurs rattachées au mauvais produit | Une fiche par produit ; contrôler chaque référence de modèle |
| Révisions obsolètes | Une ancienne fiche contredit la fiche actuelle | Enregistrer la date ou la révision du document ; privilégier la plus récente |
| Valeurs présentes uniquement dans des plans ou des images | Les dimensions d’un plan technique sont manquées | Examiner les plans ; signaler les dimensions manquantes |
Questions fréquentes
- Puis-je extraire des données d’un PDF numérisé ?
- Oui, mais le texte doit d’abord être reconnu par OCR (reconnaissance optique de caractères). Les outils de tableaux qui ne lisent que le texte numérique ne renverront rien pour une page numérisée ; les outils dotés d’OCR et ceux fondés sur l’IA peuvent la lire, avec plus de précautions pour les numérisations de mauvaise qualité.
- Comment extraire les attributs produit d’une fiche technique PDF ?
- Définissez les attributs dont vous avez besoin (par exemple matériau, couleur, capacité), puis relevez les valeurs dans les tableaux et le texte de la fiche technique, manuellement ou avec un outil d’IA qui associe les cellules de tableau et les phrases aux champs. Soyez prudent avec les attributs indiqués uniquement dans le texte marketing et confirmez les valeurs techniques à l’aide des tableaux de caractéristiques.
- Dans quel format les données produit extraites doivent-elles être ?
- Utilisez le format que votre système en aval importe — généralement CSV pour les tableurs et les outils d’import des boutiques, ou JSON pour les API et les systèmes PIM. Conservez une ligne ou un objet par variante de produit, avec des noms de champs et des unités cohérents.
- L’extraction par IA est-elle assez fiable pour publier sans vérification ?
- Elle ne doit pas être publiée sans vérification. L’extraction par IA supprime l’essentiel de la saisie, mais une personne doit confirmer les champs incertains, les identifiants et tout ce qui touche à la sécurité par rapport au document source avant l’utilisation des données.
- Quelle est la meilleure façon d’extraire des tableaux d’une fiche technique PDF ?
- Pour des tableaux numériques propres, un outil d’extraction de tableaux ou un outil d’extraction par IA conviennent tous deux ; les tableaux numérisés nécessitent d’abord l’OCR. Quel que soit l’outil, dépliez les cellules fusionnées, reportez les unités d’en-tête sur chaque valeur, séparez les appels de note des nombres et scindez les tableaux multi-modèles en une fiche par modèle.
- Quelle est la précision de l’extraction par IA des données produit à partir de PDF ?
- Elle dépend de la qualité des documents, de la complexité de la mise en page et de la clarté avec laquelle vous définissez les champs : il n’existe donc pas de chiffre de précision unique applicable à vos documents. Mesurez-la vous-même : extrayez un échantillon de vos PDF fournisseurs et comparez chaque champ à la source, en comptant séparément les valeurs erronées et les valeurs manquantes.
- Puis-je convertir un catalogue PDF en CSV pour ma boutique ?
- Oui. Extrayez une fiche par produit ou variante dans un ensemble fixe de colonnes, normalisez les unités et les valeurs, puis renommez les colonnes pour qu’elles correspondent au modèle d’import de votre boutique. Un catalogue contient souvent moins de détails par produit que les fiches techniques individuelles : prévoyez donc des lacunes à combler à partir d’autres sources.
- Comment extraire des données de fiches techniques rédigées dans d’autres langues ?
- Conservez les valeurs telles qu’imprimées pendant l’extraction, lisez les nombres selon la langue du document (virgules décimales, séparateurs de milliers) et associez les en-têtes en langue étrangère à vos noms de champs à l’aide d’une liste de synonymes. Traduisez séparément le texte descriptif et faites-le relire.