Pour quelques PDF dont le texte est sélectionnable, Excel sait le faire seul : menu Données, Obtenir des données, À partir d’un fichier, À partir d’un PDF, puis choix des tableaux à importer. Dès que les fichiers sont scannés, nombreux ou organisés différemment, il faut une chaîne en quatre étapes : identifier le document, extraire le texte, structurer les champs utiles, puis contrôler le résultat.
Quelques PDF propres : Excel suffit
Excel intègre Power Query, un outil d’import qui lit les tableaux d’un PDF. Microsoft décrit la marche à suivre : dans l’onglet Données, choisissez Obtenir des données, puis À partir d’un fichier et À partir d’un PDF. Sélectionnez le fichier : une fenêtre Navigateur affiche les tableaux trouvés. Vous pouvez les charger tels quels, ou cliquer sur Transformer les données pour supprimer des colonnes, corriger des formats ou fusionner des lignes avant l’import.
Pour plusieurs PDF construits sur le même modèle, Microsoft conseille de passer par un connecteur Dossier, qui combine les fichiers d’un même répertoire. L’option n’apparaît pas dans toutes les versions d’Excel : si vous ne la voyez pas, vérifiez la version installée avant de chercher un autre outil.
Pour un relevé mensuel, un tarif fournisseur ou une dizaine de factures au même format, cette méthode gratuite suffit souvent. Inutile de développer quoi que ce soit.
Où l’import d’Excel s’arrête
À l’écran, deux PDF peuvent sembler identiques. Le premier contient du texte ; le second n’est qu’une image, issue d’un scanner ou d’un téléphone. Power Query cherche des tableaux dans le texte : face à un scan, il n’a rien à lire, et il faut d’abord passer par une reconnaissance de caractères (voir l’article sur l’OCR de documents).
L’import montre aussi ses limites quand :
- la valeur cherchée n’est pas dans un tableau, mais dans un paragraphe, un encadré ou un tampon ;
- la mise en page change d’un fournisseur à l’autre, ou d’une année à l’autre ;
- une cellule écrite sur plusieurs lignes est mal découpée, et Microsoft indique qu’il faut alors nettoyer le résultat dans Power Query ;
- il faut décider si la valeur est correcte, et pas seulement la recopier.
Le dernier point est le plus coûteux. Un import réussi ne dit pas si la bonne valeur a été rattachée au bon champ.
Quand un outil dédié devient utile
Le problème apparaît rarement avec dix fichiers. Il devient visible quand une équipe ouvre chaque semaine des centaines de rapports, factures, fiches techniques ou dossiers réglementaires. Les personnes savent quoi chercher, mais leur temps part dans la navigation, le copier-coller et les vérifications répétitives.
À ce stade, l’objectif n’est pas « lire tous les PDF ». Il faut définir la sortie attendue : une ligne par document dans Excel ou dans une base, une alerte sur une incohérence, un statut à contrôler. Sans cette décision, le projet automatise du bruit.
Comment extraire des données d’un PDF vers Excel de façon traçable ?
- Inventorier : formats, langues, scans, tableaux et variantes connues.
- Router : extraction directe pour le texte, OCR pour les images, traitement spécifique pour les tableaux complexes.
- Normaliser : dates, unités, références et valeurs manquantes.
- Appliquer les règles métier : contrôles de cohérence, seuils et exceptions.
- Tracer : conserver le document, la page et la zone d’origine de chaque donnée.
- Faire relire l’ambigu : envoyer les cas sous un seuil de confiance vers une validation humaine.
Choisir le traitement selon le document
| Document observé | Première approche | Risque à tester | Sortie à conserver |
|---|---|---|---|
| PDF avec texte sélectionnable et mise en page stable | Extraction native et règles de position ou de libellé | Colonnes mélangées, en-têtes répétés ou valeur rattachée au mauvais bloc | Valeur, page, zone et fichier source |
| Scan propre d’un formulaire connu | OCR puis extraction des champs attendus | Caractères proches, case cochée mal lue ou page inclinée | Valeur, niveau de confiance et image de la zone |
| Documents de formats variés | Classification préalable puis traitement par famille | Un modèle unique fonctionne sur les cas fréquents mais échoue sur une variante rare | Famille détectée, version du traitement et raison d’une revue |
| Tableau complexe ou document dégradé | Extraction spécialisée avec revue ciblée | Structure reconstruite de façon plausible mais incorrecte | Cellules extraites, coordonnées et original inchangé |
Ce routage se teste sur un échantillon qui contient aussi les mauvais scans et les mises en page rares. La moyenne globale ne doit pas masquer la famille de documents qui concentre les erreurs.
Lire la bonne valeur, au bon niveau
Sur un projet pour un bureau d’études, l’information décisive figurait au niveau d’un composant et non dans la description principale du produit, si bien qu’un import qui ne lit que le premier niveau l’aurait manquée ; le cas, et le test volontairement piégé du client, sont racontés dans l’article sur l’automatisation du contrôle de documents.
Pour valider un traitement, mesurez quatre choses séparément :
- le document a-t-il été ouvert et toutes ses pages traitées ?
- le texte a-t-il été correctement reconnu ?
- chaque valeur a-t-elle été rattachée au bon champ ?
- la règle métier a-t-elle produit la bonne décision ?
Un score de confiance OCR mesure la reconnaissance des caractères ; il ne prouve pas que la valeur répond à la question métier. On compare donc les résultats à une « vérité terrain » : un lot représentatif, cas difficiles compris, dont les résultats attendus ont été vérifiés à la main.
C’est le principe de l’extraction de données de documents telle que je la conçois : lire chaque fichier, puis contrôler chaque valeur selon vos règles métier.
Questions fréquentes
Les convertisseurs PDF vers Excel en ligne conviennent-ils à des documents confidentiels ?
Envoyer un fichier à un service en ligne revient à le confier à un tiers. Avant de le faire, vérifiez où le fichier est traité, combien de temps il est conservé et s’il contient des données personnelles. L’import d’Excel, lui, travaille sur votre poste.
Faut-il utiliser une IA générative ?
Pas systématiquement. Une extraction par règles est souvent préférable pour des formats stables. L’IA peut aider sur des formulations ou des mises en page variables, avec validation et traçabilité.
Comment gérer les erreurs ?
Le système doit signaler les documents non lus, les champs absents et les résultats incertains. Une absence silencieuse est plus dangereuse qu’une alerte.
Par où commencer ?
Essayez d’abord l’import d’Excel sur quelques fichiers. S’il bute, choisissez un seul type de document, listez les champs attendus et préparez un échantillon représentatif : c’est la base de tout test de faisabilité.
Si l’import d’Excel ne suffit plus, quelques documents représentatifs suffisent pour voir si une extraction automatisée est réaliste, et à quelles conditions.