Comment extraire un tableau d'un PDF

Pourquoi les tableaux PDF sont si difficiles à extraire

Un PDF n'a aucune notion de tableau. Ce qui ressemble à des lignes et des colonnes n'est qu'un ensemble de fragments de texte positionnés à des coordonnées x/y, parfois séparés par des traits dessinés. Le « tableau » n'existe que dans votre œil — le fichier ne stocke ni cellules, ni lignes, ni en-tête.

Toute méthode d'extraction est donc une reconstruction : un algorithme devine quels fragments de texte appartiennent à la même cellule, quelles cellules forment une ligne et où commencent les colonnes. Les tableaux quadrillés (avec une grille visible) se reconstruisent plus facilement ; les tableaux séparés par des espaces, les cellules fusionnées, les cellules multilignes et les tableaux sur plusieurs pages sont là où la plupart des outils échouent.

Les PDF scannés ajoutent une couche supplémentaire : la page est une photographie, il n'y a donc aucun texte tant que l'OCR n'a pas tourné. Choisissez votre méthode selon les problèmes que présente votre document.

Méthode 1 : copier-coller dans Excel (rapide, petits tableaux quadrillés)

Pour un tableau simple et bien quadrillé, sélectionnez-le dans votre lecteur PDF, copiez, puis collez dans Excel ou Google Sheets. Si tout atterrit dans une seule colonne, utilisez Données → Convertir (Excel) ou Données → Scinder le texte en colonnes (Google Sheets) pour re-séparer les valeurs.

Une variante utile : collez d'abord dans un éditeur de texte brut pour voir quelle structure a survécu. Si les valeurs sont séparées par des espaces ou des tabulations réguliers, Convertir récupérera le tableau ; si les lignes sont entremêlées ou tronquées, aucun découpage ne pourra les réparer.

Quand ça marche : tableaux quadrillés sur une seule page avec des valeurs de cellule courtes. Quand ça échoue : cellules fusionnées, texte multiligne dans les cellules, nombres avec séparateurs de milliers coupés en morceaux, et tout document scanné.

Méthode 2 : Excel Power Query ou Word (intégré, sans outil supplémentaire)

Les versions modernes d'Excel importent directement les tableaux d'un PDF : Données → Obtenir des données → À partir d'un fichier → À partir d'un PDF. Excel analyse le document, liste chaque tableau détecté et affiche un aperçu — choisissez le tableau, cliquez sur Charger, et il arrive comme une vraie plage de feuille de calcul. C'est la meilleure option intégrée sous Windows (elle exige une licence Microsoft 365 ou 2021+ et n'est pas disponible dans toutes les versions d'Excel pour Mac).

Word peut aussi ouvrir un PDF directement (Fichier → Ouvrir → sélectionnez le PDF). Il convertit le document en fichier modifiable, et les tableaux simples survivent généralement comme de vrais tableaux Word que vous pouvez copier dans Excel.

Quand ça marche : PDF créés numériquement avec des tableaux clairement quadrillés. Quand ça échoue : les tableaux séparés uniquement par des espaces sont souvent manqués ou mal découpés, les tableaux sur plusieurs pages arrivent en fragments séparés, et les PDF scannés ne donnent rien — Power Query ne fait pas d'OCR.

Méthode 3 : bibliothèques Python — camelot, tabula-py, pdfplumber (développeurs)

Si vous devez extraire des tableaux de nombreux PDF par programmation, les options open source établies sont camelot (le meilleur sur les tableaux quadrillés, deux modes de détection), tabula-py (un wrapper autour du moteur Java Tabula, solide sur les mises en page régulières) et pdfplumber (un contrôle bas niveau sur les mots, les lignes et les rectangles — idéal quand il faut une logique sur mesure).

Un exemple camelot minimal : pip install camelot-py[cv], puis tables = camelot.read_pdf("report.pdf", pages="all") et tables[0].df vous donne un DataFrame pandas. Exportez avec .to_csv() ou .to_excel().

Le piège : chaque bibliothèque privilégie un style de mise en page, et les documents réels mélangent les styles. Attendez-vous à ajuster les réglages par famille de documents (flavor="stream" vs "lattice" dans camelot, zones indicatives dans tabula), et aucune ne gère les PDF scannés — il faudrait d'abord lancer un OCR et perdre la mise en page au passage.

Pour un tour d'horizon du parsing PDF en Python au-delà des tableaux, consultez notre guide sur la conversion de PDF en Markdown en Python.

Méthode 4 : extraction par IA (PDF scannés, mises en page mixtes, gros volumes)

L'approche la plus récente s'appuie sur des modèles de compréhension documentaire qui lisent la page comme le ferait une personne — en détectant la structure du tableau à partir de la mise en page visuelle plutôt qu'en s'appuyant sur les traits de la grille ou des heuristiques de coordonnées. C'est la seule classe de méthodes qui gère documents scannés, pages photographiées et mises en page irrégulières en une seule passe.

ParseJet fonctionne ainsi : déposez un PDF sur parsejet.com/tools/pdf-to-markdown et les tableaux reviennent en tableaux Markdown propres, dans l'ordre de lecture — les pages scannées passent automatiquement par l'OCR. Si vous voulez des données plutôt que du texte, l'API renvoie le document analysé en sortie structurée (voir l'outil PDF en JSON), et une requête POST par fichier rend le tout praticable dans les pipelines par lot.

Quand ça marche : documents scannés et photographiés, mises en page mixtes grille/espaces, et traitement par lot où l'ajustement document par document est impossible. La contrepartie : c'est un service hébergé — pour un tableau unique sur un PDF propre, la méthode 1 ou 2 est plus rapide.

Quelle méthode choisir ?

Un petit tableau quadrillé, une seule fois : copier-coller (méthode 1), avec Excel Power Query (méthode 2) en secours si le collage se brouille.

Des rapports récurrents à mise en page identique : Power Query pour les utilisateurs de tableur, camelot ou tabula-py (méthode 3) pour les développeurs — une configuration unique rentabilisée sur chaque fichier futur.

Documents scannés, photos ou mises en page désordonnées : l'extraction par IA (méthode 4) est réalistement la seule option qui n'oblige pas à tout retaper.

Des centaines de documents aux mises en page variées : la méthode 4 via l'API — l'ajustement document par document des bibliothèques de la méthode 3 ne passe pas à l'échelle au-delà d'une poignée de familles de mises en page.