Un tableau peut contenir tous les chiffres attendus et pourtant dire le contraire. Décaler une valeur d'une colonne vers la droite peut lui faire désigner une autre année, un autre traitement ou une autre unité. Vérifier l'OCR des tableaux d'un PDF numérisé consiste à contrôler les relations entre les libellés et les valeurs, et pas seulement à juger si les chiffres semblent plausibles.
Commencez par l'image de la page d'origine et par un tableau complet. Examinez l'en-tête, le corps, les notes et toute suite éventuelle avant de recopier des valeurs dans un tableur ou un rapport.
Cartographier les en-têtes fusionnés avant de vérifier les cellules
Un en-tête peut couvrir plusieurs colonnes, une deuxième ligne fournissant les libellés individuels. Par exemple, « Production annuelle » peut englober deux années, chacune subdivisée par type de produit. Si l'en-tête qui couvre plusieurs colonnes disparaît, les lignes exportées peuvent sembler bien ordonnées tout en perdant leur sens.
Rédigez le libellé complet d'une valeur échantillonnée : titre du tableau, en-tête de groupe, en-tête de colonne, en-tête de ligne et unité. Vérifiez ensuite si un lecteur peut reconstituer ce libellé à partir de la seule conversion.
Procédez de même pour les libellés de ligne fusionnés. Une catégorie imprimée une seule fois à côté de plusieurs lignes peut s'appliquer à toutes. Une cellule vide en dessous ne signale pas forcément une donnée manquante, et remplir chaque vide par un zéro modifierait la source.
Pour les choix de représentation en Markdown abordés plus loin, voir Convertir des tableaux PDF en Markdown. Ici, la question est de savoir si le tableau d'origine a été reconnu correctement.
Suivre les valeurs dans les deux sens
Choisissez une valeur dans la numérisation et repérez sa ligne et sa colonne dans le résultat. Choisissez ensuite une valeur dans le résultat et remontez jusqu'à la numérisation. La vérification en sens inverse peut révéler des lignes dupliquées ou des valeurs sans source visible.
Échantillonnez différentes positions : première ligne, milieu, dernière ligne, et une ligne contenant un appel de note ou une ponctuation inhabituelle. Contrôlez les séparateurs décimaux, les signes moins, les séparateurs de milliers, les pourcentages, les plages et les parenthèses. Ces éléments peuvent changer le sens même lorsque les chiffres alentour sont corrects.
Conservez les distinctions entre cellule vide, tiret, « sans objet » et zéro. La légende du tableau peut leur attribuer des significations différentes. Ne les normalisez pas par commodité avant d'avoir compris cette légende, et consignez la modification à part.
Lire les unités avec l'en-tête et les notes
Une valeur sous l'en-tête « Chiffre d'affaires » est incomplète si la mention « en milliers » n'apparaît qu'au-dessus du tableau ou dans une note en dessous. Vérifiez que ce qualificatif est conservé et reste associé aux bonnes valeurs.
Examinez aussi les unités qui figurent à l'intérieur des cellules. Les exposants, les préfixes et les symboles de degré peuvent être assez petits pour disparaître sur une numérisation de mauvaise qualité. Passer de milligrammes à grammes n'est pas un simple détail typographique.
Si vous traduisez ensuite le document, distinguez la reconnaissance des unités du choix de langue. On ne peut pas compter sur le traducteur pour repérer qu'un exposant a été perdu par l'OCR. Vérifiez d'abord la source reconnue, puis comparez les en-têtes et les explications traduits.
Assembler les tableaux sur plusieurs pages avec prudence
Recherchez les mentions « suite », les en-têtes de colonne répétés, les lignes coupées et les notes qui n'apparaissent qu'après la dernière page. Un en-tête répété ne doit pas devenir une ligne de données supplémentaire ; un libellé de ligne répété peut indiquer une suite plutôt qu'une seconde observation.
Contrôlez la dernière ligne de données avant le saut de page et la première après. Si une description se poursuit sur la page suivante, vérifiez que ses valeurs appartiennent toujours au même élément. Les notes de bas de page situées à la fin peuvent concerner des lignes des pages précédentes.
Conservez les limites de page dans votre fiche de vérification, même si vous les supprimez du tableau de travail. Elles permettent de retrouver l'origine d'une ligne omise ou d'une duplication inattendue.
Consigner les écarts sans deviner les chiffres
Utilisez une fiche simple : page et tableau d'origine, libellé de ligne, libellé de colonne, valeur contestée, lecture de la source et état de la correction. Marquez une valeur illisible comme non résolue. Ne choisissez pas un nombre simplement parce qu'il fait tomber juste le total.
Les totaux et les plages peuvent servir de recoupements utiles, mais ils ne constituent pas une preuve. L'original lui-même peut comporter des arrondis ou des erreurs de rédaction. Tenez les corrections de reconnaissance distinctes de toute interprétation ultérieure des données.
PDF Craft reconnaît les tableaux lors de la conversion PDF, y compris pour les documents numérisés. Choisissez Markdown si l'objectif est de modifier et de réutiliser le contenu, puis comparez le fichier téléchargé à l'original. Examinez attentivement les tableaux complexes ou pâles ; aucune promesse générale ne couvre toutes les cellules fusionnées ni toutes les structures réparties sur plusieurs pages.
Avant d'utiliser le tableau dans des notes de recherche, vérifiez ensemble son titre, ses unités, les lignes échantillonnées et ses notes. L’article sur l’utilisation de la conversion PDF vers Markdown pour la recherche explique comment conserver les informations sur la source lorsque le tableau est extrait du document d’origine.