OCR and Documents

• Vous avez un PDF (numérique ou scanné) et vous avez besoin que son texte soit extrait pour une synthèse, un archivage ou une analyse approfondie.
• Vous devez effectuer une OCR sur une facture scannée, un formulaire ou une photo d'un document et en extraire des champs structurés.
• Vous souhaitez convertir un fichier DOCX en texte brut ou en markdown pour l'utiliser dans une autre compétence ou un autre pipeline.
• Vous construisez une étape de prétraitement qui alimente un flux de recherche indexée ou un workflow LLM avec du texte de document propre.

• Votre entrée est un fichier PowerPoint/PPTX — acheminez-les vers une compétence dédiée aux présentations à la place.
• Vos documents numérisés sont en très basse résolution, fortement inclinés ou dans une langue non prise en charge ; la qualité de l'OCR sera médiocre et les résultats peu fiables.
• Vous avez besoin d'une solution sans dépendances et sans configuration — cette compétence nécessite un environnement Python et au moins une bibliothèque de documents/OCR.

Utilise PyMuPDF ou pdfminer pour extraire directement le texte des PDF nativement numériques sans recourir à OCR and Documents, en préservant la mise en page aussi fidèlement que possible.

Achemine les PDF numérisés et les photos de documents vers Tesseract ou un service OCR compatible afin d'extraire le texte des contenus basés sur des images.

Lit les fichiers Microsoft Word via python-docx, en extrayant la structure des paragraphes et des titres pour produire un texte brut ou une sortie en markdown.

Normalise le contenu extrait en texte brut ou en markdown structuré, rendant la sortie immédiatement exploitable par des compétences de résumé, d'indexation ou d'autres traitements en aval.

Sélectionne automatiquement l'extracteur approprié — couche de texte directe, OCR ou analyseur spécifique au format — en fonction du type de document détecté lors de l'exécution.

Utilisez OCR and Documents pour numériser une facture scannée ou un formulaire rempli et retourner des champs structurés tels que le nom du fournisseur, le montant et la date d'échéance, en vue d'un traitement ou d'un stockage ultérieur.

Extrayez le texte d'un PDF de plusieurs pages et transmettez le contenu de chaque page à une compétence de résumé, permettant ainsi d'obtenir des résumés à l'échelle du document sans copier-coller manuellement.

Analysez un document Word et convertissez son contenu en markdown, le rendant prêt pour une base de connaissances, un site statique ou une édition ultérieure dans un flux de travail basé sur le texte.

Extrayez en lot le texte d'une collection de fichiers PDF et DOCX mixtes afin de produire des fragments de texte propres et normalisés, adaptés à l'indexation par recherche vectorielle ou plein texte.