Un agent IA ne doit pas lire un tableau. Il doit appeler un outil qui renvoie le tableau, puis effectuer des opérations arithmétiques sur les lignes. Avec GroupDocs.Parser.Mcp exécuté localement dans Docker, un client IA tel que Claude Desktop ou Cursor peut extraire des tableaux de fichiers PDF, Word et Excel et les recevoir au format JSON :

Extrayez les lignes de facture du fichier invoice.pdf au format JSON et calculez le total de la colonne montant.

La version étape par étape avec configuration et dépannage se trouve dans la documentation : Comment extraire des tableaux de documents en données structurées.

Que se passe-t-il lorsqu’un modèle lit le tableau lui‑même ?

Le flux de travail habituel consiste à coller un PDF dans un chat et à demander le tableau. Le modèle voit un flux de texte aplati, déduit où étaient les colonnes et réécrit les lignes. Chaque cellule devient alors une prédiction. Une colonne manquante, une ligne fusionnée ou un décimal décalé ne génèrent pas d’erreur ; ils produisent un tableau bien formaté et confiant, mais légèrement incorrect. Pour une liste de fruits, cela n’a pas d’importance. Pour les totaux de factures, c’est crucial.

L’échec est difficile à détecter parce que la sortie semble correcte. Rien dans la réponse du chat n’indique quelles cellules proviennent du fichier et lesquelles ont été reconstruites.

Quelle est l’alternative à laisser le modèle deviner ?

Déplacez la lecture hors du modèle. L’outil extract_tables détecte les tableaux avec le moteur de document et les renvoie sous forme de données :

  • Markdown par défaut, sous forme de sections ### Table N (page N, R×C) qui s’affichent directement dans le chat, VS Code et GitHub.
  • JSON avec format: "json", sous forme d’un tableau d’objets { table, page, rows, columns, data }, où data est une grille de chaînes.

Le modèle ne transcrit jamais une cellule. Il reçoit data et travaille avec, de sorte que son rôle se limite à ce qu’il fait de façon fiable : additionner, comparer, filtrer et expliquer. L’outil prend en charge PDF, DOCX, XLSX, PPTX et HTML, ainsi le même prompt couvre une facture fournisseur, un rapport Word et une feuille de calcul.

Comment obtenir le tableau au format JSON ?

Indiquez le format dans l’invite.

Extrayez les lignes de facture au format JSON et calculez le total de la colonne montant.

Example session (abridged)
You:    Extract the line items from invoice-014.pdf as JSON and total the amount column.
Agent:  [calls extract_tables with format "json"]
        {"table": 1, "page": 1, "rows": 4, "columns": 3,
         "data": [["Item", "Qty", "Amount"],
                  ["Paper A4", "10", "48.00"],
                  ["Toner", "2", "170.00"],
                  ["Delivery", "1", "22.00"]]}
        Total of the Amount column: 240.00 across 3 line items.

Comme l’agent possède les lignes, les étapes suivantes sont des questions ordinaires : quelle ligne est la plus grande, le total correspond‑il au chiffre imprimé dans le texte, écrire les lignes dans un CSV dans le dossier de sortie. Lorsque l’arithmétique compte, demandez à l’agent de lister les lignes qu’il a additionnées afin de pouvoir les vérifier.

Quand faut‑il demander du Markdown plutôt que du JSON ?

Utilisez le Markdown lorsqu’une personne lira le résultat ensuite, et le JSON lorsque le code le consomme. Le Markdown est le défaut et le moyen le plus rapide de visualiser un tableau et de juger s’il a été trouvé correctement. Passez au JSON pour les totaux, les vérifications croisées et tout ce qui alimente une feuille de calcul ou une base de données. Si vous savez où se trouve le tableau, restreignez l’appel :

Extrayez le tableau à la page 4.

Le paramètre page limite la détection à une page, ce qui est plus rapide et, sous licence à la consommation, moins coûteux.

Quels cas nécessitent encore une vérification humaine ?

Les limites honnêtes comptent davantage avec les tableaux qu’avec le texte brut.

  • Les numérisations n’ont pas de tableaux à trouver. Sans couche de texte, il n’y a aucune structure de tableau, et l’extraction renvoie un résultat vide. Il n’y a pas d’OCR sur ce serveur.
  • Les mises en page complexes varient. Les cellules fusionnées, les tableaux imbriqués et les tableaux qui se poursuivent sur plusieurs pages ne survivent pas toujours aussi proprement qu’une grille simple. Vérifiez un document avant d’en traiter deux cents.
  • Le mode d’évaluation est limité. Sans licence, l’extraction est restreinte ; les limites exactes sont indiquées sur la page de licence. Demandez à l’agent d’appeler get_license_status avant une exécution réelle.

Installez‑le en une seule commande

Le serveur est distribué uniquement sous forme d’image Docker, il n’y a donc pas de commande dnx. Enregistrez‑le dans Claude Code comme suit, en remplaçant le chemin par celui de votre dossier de documents :

claude mcp add groupdocs-parser -- docker run --rm -i \
  -v /path/to/documents:/data ghcr.io/groupdocs-parser/parser-net-mcp:latest

Cursor, Claude Desktop, VS Code avec GitHub Copilot, Windsurf, Cline et Codex utilisent le même conteneur avec un fichier de configuration spécifique au client ; chacun est répertorié dans Register in AI clients.

FAQ

Claude lit‑il les tableaux PDF avec précision ?
Cela dépend du fichier et de la façon dont le client le a aplati, il faut donc le vérifier plutôt que de supposer. Avec extract_tables, les lignes proviennent de la détection de tableaux du moteur de document, renvoyées sous forme d’une grille de chaînes, et Claude travaille à partir de celles‑ci.

Comment extraire un tableau d’un PDF vers Excel avec l’IA ?
Demandez le tableau au format JSON, puis demandez à l’agent d’écrire les lignes dans un fichier CSV dans le dossier de sortie, que Excel ouvrira. La conversion des lignes en CSV est l’étape de l’agent ; les valeurs des cellules proviennent de l’outil.

Peut‑il extraire des tableaux de fichiers Word et Excel localement ?
Oui. extract_tables gère les DOCX et XLSX ainsi que les PDF, et le conteneur lit les fichiers depuis le dossier que vous montez.

Approfondir