Parser les Documents PDF avec PyMuPDF

Pourquoi les PDF sont difficiles

Les PDF sont conçus pour l'affichage, pas pour l'extraction de données. Le texte peut être :

• Des images (documents scannés)
• Des polices intégrées avec encodages personnalisés
• Des mises en page complexes (multi-colonnes, tableaux)
• Protégé ou chiffré

PyMuPDF : La référence (2025)

PyMuPDF (fitz) est l'analyseur PDF le plus rapide et le plus fiable.

DEVELOPERpython
import fitz  # PyMuPDF

def extract_pdf_content(pdf_path):
    doc = fitz.open(pdf_path)

    full_text = ""
    metadata = {
        "title": doc.metadata.get("title", ""),
        "author": doc.metadata.get("author", ""),
        "pages": len(doc)
    }

    for page_num, page in enumerate(doc):
        # Extraire le texte avec préservation de la mise en page
        text = page.get_text("text")
        full_text += f"\n\n--- Page {page_num + 1} ---\n{text}"

    return full_text, metadata

Extraire les images des PDF

DEVELOPERpython
def extract_images(pdf_path):
    doc = fitz.open(pdf_path)
    images = []

    for page_num, page in enumerate(doc):
        image_list = page.get_images()

        for img_index, img in enumerate(image_list):
            xref = img[0]
            base_image = doc.extract_image(xref)

            images.append({
                "page": page_num + 1,
                "image_data": base_image["image"],
                "extension": base_image["ext"]
            })

    return images

Gérer les PDF scannés (OCR)

Pour les PDF basés sur images, utilisez Tesseract OCR :

DEVELOPERpython
from PIL import Image
import pytesseract
import fitz

def ocr_pdf(pdf_path):
    doc = fitz.open(pdf_path)
    text = ""

    for page in doc:
        # Convertir la page en image
        pix = page.get_pixmap()
        img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)

        # OCR sur l'image
        page_text = pytesseract.image_to_string(img)
        text += page_text + "\n\n"

    return text

Extraire les tableaux

Utilisez pdfplumber pour l'extraction de tableaux :

DEVELOPERpython
import pdfplumber

def extract_tables(pdf_path):
    tables = []

    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_tables = page.extract_tables()
            tables.extend(page_tables)

    return tables

Extraction consciente de la mise en page

Préserver la structure du document :

DEVELOPERpython
def extract_with_layout(pdf_path):
    doc = fitz.open(pdf_path)
    structured_content = []

    for page in doc:
        blocks = page.get_text("dict")["blocks"]

        for block in blocks:
            if block["type"] == 0:  # Bloc de texte
                text = ""
                for line in block["lines"]:
                    for span in line["spans"]:
                        text += span["text"]

                structured_content.append({
                    "type": "text",
                    "content": text,
                    "bbox": block["bbox"],  # Position
                    "page": page.number
                })

    return structured_content

Optimisation des performances

Traitement parallèle pour les gros PDF :

DEVELOPERpython
from concurrent.futures import ThreadPoolExecutor

def parse_pdf_parallel(pdf_path, num_workers=4):
    doc = fitz.open(pdf_path)

    def process_page(page_num):
        page = doc[page_num]
        return page.get_text()

    with ThreadPoolExecutor(max_workers=num_workers) as executor:
        texts = list(executor.map(process_page, range(len(doc))))

    return "\n\n".join(texts)

Outils alternatifs (2025)

• PyPDF2 : Simple mais plus lent
• pdfplumber : Excellent pour les tableaux
• Camelot : Extraction spécialisée de tableaux
• Adobe PDF Extract API : Commercial, très précis

Meilleures pratiques

1. Tester d'abord avec des documents échantillon
2. Gérer gracieusement les PDF chiffrés
3. Préserver les numéros de page pour les citations
4. Extraire les métadonnées (titre, auteur, date)
5. Utiliser l'OCR uniquement si nécessaire (plus lent)
6. Mettre en cache les résultats analysés pour éviter le retraitement

Les PDF sont l'épine dorsale de la connaissance d'entreprise. Maîtrisez l'analyse PDF pour débloquer le potentiel de votre RAG.