Lecture des documents

Garbage in, garbage out : lire la structure

doc.raw_text · phase 1

Figure 1 – Part des entreprises qui…

Caractéristiques France UE

2023 2024 2025 2023 2024 2025

Taille de l'entreprise

250 salariés ou plus 21 33 58 30

→

doc.blocks · phase 2

titre · Figure 1 – Part des entreprises qui…

tableau · en-tête fusionné : « France 2025 », « Union européenne 2023 »…

ligne · Taille de l'entreprise — 250 salariés ou plus | 21 | 33 | 58 | 30…

texte · Lecture : en 2025, 18 % des entreprises…

PDF · titres repérés à la taille de police, en-têtes de page retirés

HTML · balises h1–h6 et tableaux ; menus et pieds de page retirés

DOCX, ODT, MD · styles de titre, listes, tableaux

CSV, XLSX, JSON · un tableau par feuille, enregistrements aplatis