La lecture d’un PDF ne dépend pas d’un emplacement fixe. Mystix combine le texte, la géométrie de la page, des libellés repères et des règles métier pour retrouver les mêmes informations dans des designs différents.
Pipeline d’extraction
01DétecterPDF texte ou scan
02OCRTexte et coordonnées
03ClasserFacture ou proforma
04ExtraireChamps et lignes
05ValiderCalculs et confiance
Résister aux variations de design
- Ancres sémantiques
Repérer “N° facture”, “ICE”, “Total TTC” et leurs variantes en français, arabe ou anglais.
- Position relative
Chercher la valeur près du libellé plutôt qu’à une coordonnée absolue.
- Détection des tableaux
Reconstruire colonnes et lignes malgré les bordures absentes ou les retours à la ligne.
- Règles métier
Vérifier totaux, TVA, dates, devise et formats d’identifiants.
- Score de confiance
Accepter les champs sûrs et envoyer les ambiguïtés en validation humaine.
Stratégie recommandée
| Situation | Traitement |
|---|---|
| PDF avec texte | Extraction native, rapide et précise |
| Scan net | OCR avec conservation des coordonnées |
| Photo inclinée | Redressement, nettoyage puis OCR |
| Nouveau fournisseur | Modèle générique puis revue humaine |
| Fournisseur récurrent | Profil appris et règles spécifiques versionnées |