Extraction spatiale

Le problème des extracteurs PDF standard

Les extracteurs PDF standard lisent le texte dans l'ordre de rendu — l'ordre dans lequel le moteur PDF dessine les caractères à l'écran. Pour un document à une seule colonne, cela correspond à l'ordre de lecture. Pour un CV à deux colonnes, ce n'est pas le cas.

Avec cette mise en page :

┌─────────────────┬─────────────────┐
│ Ingénieur Senior│ TypeScript      │
│ 2020 – Présent  │ Node.js         │
│                 │ React           │
│ Ingénieur Junior│                 │
│ 2018 – 2020     │ PostgreSQL      │
└─────────────────┴─────────────────┘

Un extracteur standard produit :

Ingénieur Senior TypeScript
2020 – Présent Node.js
Ingénieur Junior React
2018 – 2020 PostgreSQL

Les dates et les intitulés de postes s'entremêlent avec les compétences. Le LLM reçoit un chaos sémantique et hallucine.

Comment resume-intel résout ce problème

resume-intel extrait les coordonnées de boîtes englobantes pour chaque bloc de texte en même temps que le contenu textuel. Il effectue ensuite :

1. Détection des limites de colonnes — trie les blocs par position X et identifie les espaces horizontaux significatifs (> 8% de la largeur de page) qui indiquent des séparateurs de colonnes
2. Regroupement par colonne — assigne chaque bloc à une colonne selon sa coordonnée X centrale
3. Tri dans chaque colonne — trie les blocs de haut en bas par coordonnée Y dans chaque colonne
4. Concaténation de gauche à droite — joint les colonnes dans l'ordre avec un séparateur visuel

Le LLM reçoit :

Ingénieur Senior
2020 – Présent

Ingénieur Junior
2018 – 2020

---

TypeScript
Node.js
React

PostgreSQL

Un texte propre et ordonné que le LLM peut parser correctement.

Configuration

const result = await parseResume(pdfBuffer, {
  model,
  layoutStrategy: 'spatial', // défaut — utilise l'algorithme de boîtes englobantes
  // layoutStrategy: 'linear', // plus rapide mais moins précis pour le multicolonne
})

Limitations

• Texte pivoté — le texte pivoté de plus de 45° peut ne pas être correctement ordonné
• Colonnes très proches — les espaces de colonnes très étroits (< 8% de la largeur de page) peuvent ne pas être détectés
• PDFs scannés — pas de boîtes englobantes disponibles depuis l'OCR ; la reconstruction spatiale est ignorée

Pour les PDFs scannés, voir Fallback OCR.