📊 PDF Table Extractor

Extrait automatiquement les tableaux de vos fichiers PDF (natifs ou scannés) et les exporte en Excel formaté — en un clic, sans configuration.

🚀 Essayer la démo en ligne — sans installation (l'instance gratuite se met en veille après inactivité ; le premier chargement peut prendre ~50s)

• PDF natifs : extraction précise via pdfplumber (tableaux délimités par lignes)
• PDFs scannés : OCR via Tesseract + reconstruction des lignes/colonnes
• Détection automatique du type de PDF
• Export Excel multi-feuilles avec mise en forme professionnelle (en-têtes colorés, alternance de lignes, feuille de résumé)
• Interface web moderne avec drag & drop
• Support Français + Anglais (OCR multilingue)

docker build -t pdf-table-extractor .
docker run -p 8000:8000 pdf-table-extractor

Ou avec make :

make docker-run

# Ubuntu/Debian
sudo apt install tesseract-ocr tesseract-ocr-fra poppler-utils -y

# macOS
brew install tesseract tesseract-lang poppler

git clone https://github.com/Yedmithra/pdf-table-extractor.git
cd pdf-table-extractor
python -m venv venv
source venv/bin/activate       # Linux/macOS
# venv\Scripts\activate        # Windows

pip install -r requirements.txt

Ou avec make (voir la section Makefile) :

make install

python -m app.main

Ou :

make run     # sans rechargement automatique
make dev     # avec rechargement automatique

L'application est disponible sur : http://localhost:8000

pdf-table-extractor/
├── app/
│   ├── __init__.py
│   ├── main.py          # Serveur FastAPI (routes API + serving HTML)
│   ├── extractor.py     # Logique d'extraction (pdfplumber + OCR)
│   └── templates/
│       └── index.html   # Interface web (drag & drop)
├── examples/
│   └── exemple_extraction.xlsx
├── .github/
│   └── workflows/ci.yml # Lint + smoke test automatiques
├── Dockerfile
├── render.yaml           # Déploiement en un clic sur Render
├── requirements.txt
├── requirements-dev.txt
├── Makefile
├── README.md
└── LICENSE

Body (multipart/form-data)

Réponse

{
  "job_id": "uuid",
  "filename": "rapport.pdf",
  "tables_found": 3,
  "method": "digital",
  "pages": [1, 2, 4],
  "details": [
    { "sheet": "Page1_T1", "page": 1, "rows": 12, "cols": 5 }
  ]
}

PDF reçu
    │
    ├── PDF natif (texte extractible) ?
    │       └── pdfplumber (lattice → stream fallback)
    │               └── Si aucun tableau → OCR
    │
    └── PDF scanné (pas de texte) ?
            └── pdf2image (300 dpi) → Tesseract OCR
                    └── Regroupement par position Y → colonnes

• Feuille "Résumé" : liste de tous les tableaux extraits
• Feuilles données : une feuille par tableau (Page1_T1, Page2_T1…)
• En-têtes bleus, alternance de lignes, colonnes auto-dimensionnées
• Valeurs numériques automatiquement converties (int/float)
• Panneaux figés sur la ligne d'en-tête

Les contributions sont bienvenues ! Idées de premières issues :

• Amélioration du clustering OCR (regroupement des lignes par position Y)
• Support d'autres langues OCR
• Détection de tableaux fusionnés (cellules merged)

1. Forkez le projet
2. Créez une branche (git checkout -b feature/ma-fonctionnalite)
3. Lancez make lint avant de commiter
4. Ouvrez une Pull Request

MIT