Documents fournisseur
Extraire les données produit d’un PDF fournisseur
Texte, tableaux, spécifications, valeurs répétées : comment extraire les données produit d’un PDF fournisseur et les ranger dans les bons champs.
Mis à jour le 1 min de lecture
Le PDF est le format le plus courant et le plus trompeur. Il ressemble à un document structuré, mais ses tableaux sont souvent des images, ses valeurs sont répétées sur plusieurs pages, et la version du produit décrite n’est pas toujours celle que vous achetez.
Le texte
Dans un catalogue, les informations techniques sont mêlées au discours commercial. Isolez les phrases qui contiennent une valeur mesurable (« Rated Voltage: AC 220-240V ») et laissez de côté les formules (« premium quality »). Un PDF scanné nécessite une reconnaissance de caractères préalable : vérifiez alors particulièrement les chiffres.
Les tableaux
Un tableau de spécifications couvre souvent plusieurs modèles. Repérez la colonne ou la ligne qui correspond à votre référence avant d’extraire quoi que ce soit : c’est l’erreur la plus fréquente, et la plus coûteuse.
Les valeurs répétées
La même valeur apparaît en page de garde, dans le tableau et dans la fiche du modèle. Si elles concordent, tant mieux. Si elles diffèrent, ne gardez pas la première trouvée : notez les deux et signalez le champ comme à vérifier.
Faire correspondre aux champs
| Formulation du PDF | Champ | Valeur |
|---|---|---|
| Model: GD-KT1800-EU | Référence fournisseur | GD-KT1800-EU |
| Rated Voltage: AC 220-240V | Tension | 220–240 V |
| Body: SS201/SS304 (option) | Matière principale | Acier inoxydable — à vérifier |
Vérification et informations incertaines
Aucune méthode d’extraction, manuelle ou automatique, n’est exacte à 100 %. Ce qui compte, c’est de savoir quelles valeurs sont sûres et lesquelles ne le sont pas. Une valeur extraite doit toujours pouvoir être rapprochée de sa formulation d’origine.
- La valeur correspond bien à votre modèle, pas à une variante du tableau.
- Les chiffres issus d’un scan ont été relus.
- Les options (« option », « optional ») ont été tranchées.
- Les valeurs divergentes entre pages sont signalées.
Le PDF n’est qu’une des sources du dossier. Pour assembler toutes les sources, voir transformer des documents fournisseur en données produit.