Définir le contrat d'extraction
- Leçon 4
- 50 min
- Module 1 : Comprendre les documents en entrée
Où nous en sommes
Dans les trois dernières leçons, nous avons créé les documents, choisi le chemin de chaque page et lu le texte dans le bon ordre. Maintenant, nous voulons les valeurs des reçus. Mais sans règles précises, deux lecteurs donnent trois réponses différentes pour le même reçu, et personne ne peut dire laquelle est la bonne. Dans cette leçon, nous écrivons le contrat d'extraction avant qu'un code extraie un champ, comme le formulaire à remplir à la frontière.
Leçon 4 sur 19 · IA documentaire et multimodaleDéfinir le contrat d'extraction
1. Comprendre les documents en entrée
2. Préparer et extraire le contenu
3. Retrouver la structure et les tableaux
4. Utiliser les modèles multimodaux de façon réfléchie
5. Valider et réviser les résultats
6. Évaluer et livrer le pipeline
7. Études de cas
Ce que vous saurez faire
Notez exactement ce dont Larkfield a besoin dans un reçu avant qu’un code l’extraie. Nommez chaque champ, son format, son unité, ses preuves et les raisons possibles de son absence. Vous pourrez ensuite vérifier chaque lecteur, qu’il utilise des règles, l’OCR ou un modèle, selon le même engagement.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Un schéma JSON, les champs obligatoires et
null, dans Définir un schéma et Traiter les résultats incomplets du cours Créer des applications fiables avec les API de LLM. - Les zones de la couche texte, en points, dans L’idée : la mise en page indique l’ordre et le rôle de chaque ligne de Mise en page et sens.
Ce qu’il vous faut sur votre ordinateur
- Votre dossier
doc-extractavec son environnement virtuel actif, etpython -m pytest -qqui affiche20 passed(20 tests réussis). - Le dossier des exercices
nextia-learning-labsà côté. Vous y copiez le contrat, son document et ses tests.
Testé avec Python 3.12 sur macOS (Apple silicon). Les commandes Windows (PowerShell) et Linux sont écrites, mais pas testées.
Un formulaire à la frontière
Section intitulée « Un formulaire à la frontière »Pensez à la carte d’arrivée que certains pays demandent aux voyageurs de remplir. Elle ne dit pas « décrivez votre voyage ». Elle demande des renseignements précis, sous des formes précises :
- « Date de naissance : JJ / MM / AAAA », avec une case pour chaque chiffre.
- « Montant d’argent comptant que vous transportez, en dollars canadiens ».
- « Numéro de vol. Si vous arrivez en voiture, écrivez AUCUN. »
Chaque voyageur la remplit de la même façon. L’agent peut lire mille cartes et les comparer, et un ordinateur peut les vérifier. Une case vide n’est jamais un mystère : « AUCUN » signifie « je n’ai pas de vol », et une case vide signifie « j’ai oublié ». Le formulaire fixe ces règles avant que quelqu’un le remplisse.
Le problème : le même reçu, trois réponses différentes
Section intitulée « Le problème : le même reçu, trois réponses différentes »Camille, l’agent à Montréal, ouvre la photo D036 et saisit ce qui apparaît : la date 09/08/2026 et le total 1 011,78 $. Le rapport hebdomadaire de Grace interprète la date comme le 8 septembre, car il utilise l’ordre américain, mois en premier. Le reçu vient du Québec, où le jour vient en premier : c’est le 9 août. Le rapport ne peut pas non plus ajouter 1 011,78 $ aux autres totaux, car il attend 1011.78.
Tomás essaie un modèle de vision avec une requête simple : « Renvoyez les champs du reçu en JSON. » Pour D003, un reçu de caisse sans numéro de commande, le modèle renvoie quand même un numéro de commande : 0693-220. C’est le numéro de transaction du reçu, imprimé sur la ligne Transaction: 0693-220. Sur les 54 pages de reçus, cette requête simple a rempli le numéro de commande avec autre chose 11 fois. Chaque fois, elle a copié le numéro de transaction. Était-ce une erreur? Personne n’avait écrit qu’un numéro de transaction n’est pas un numéro de commande.
Et D045, la photo dont le bas est coupé : quel est son total? Une cellule vide? Zéro? 405,61, le sous-total plus la taxe? Chaque réponse a un sens différent pour l’agent qui la lit, et personne n’avait précisé laquelle est correcte.
Ce ne sont pas des erreurs de lecture. Ce sont des décisions manquantes. Tant que l’équipe ne définit pas chaque champ par écrit, aucun lecteur ne peut avoir raison ou tort.
L’idée : un contrat d’extraction
Section intitulée « L’idée : un contrat d’extraction »Un contrat d’extraction est un engagement écrit sur la sortie du pipeline. Il précise les champs renvoyés, leur format et leurs preuves. Il précise aussi quoi écrire quand une valeur manque. On l’appelle aussi schéma d’extraction. C’est un schéma au sens du cours sur les applications avec des LLM, avec deux ajouts nécessaires aux documents.
Pour chaque champ, le contrat précise :
- son type et son format : texte, code comme
LK-suivi de 6 chiffres, date au formatYYYY-MM-DD(année-mois-jour), montant avec un point et deux décimales; - son unité : la devise, ici CAD ou USD;
- s’il est obligatoire : un reçu sans total ne peut pas servir à un remboursement;
- les preuves à conserver : le fichier, la page et la zone où la valeur est imprimée. C’est la provenance de la valeur, son lieu d’origine. Grâce à elle, un agent peut vérifier une valeur d’un seul regard;
- les raisons possibles de son absence : une valeur peut manquer, mais seulement pour une raison précisée.
Le dernier point manque dans la plupart des schémas. Dans le contrat, chaque valeur a un statut :
Description textuelle du diagramme
Le processus commence avec un champ du contrat, par exemple le total. Première question : est-il imprimé sur la page? Si oui, deuxième question : pouvez-vous le lire? Si oui, le statut est found (trouvé), et l’enregistrement conserve la valeur et ses preuves : fichier, page et zone. S’il est imprimé mais illisible, le statut est absent, avec la raison unreadable (illisible). Si le champ n’est pas imprimé, la question est : peut-on le déduire d’un élément imprimé? Si oui, le statut est inferred (déduit), et les preuves indiquent le texte imprimé qui permet de le déduire. Sinon, le statut est absent, avec la raison not_printed (non imprimé). La raison est cut_off (coupé) si la photo a perdu cette partie du document.
Donc, « absent » est une réponse correcte quand le document ne montre pas la valeur. Ce qui n’est jamais correct, c’est une supposition : une valeur plausible qui n’apparaît nulle part sur la page. Le numéro de transaction dans le champ de commande est une supposition. Tout comme 405,61 pour le total de D045.
Un petit exemple : l’enregistrement d’un reçu selon le contrat
Section intitulée « Un petit exemple : l’enregistrement d’un reçu selon le contrat »D004 est une commande en ligne de Larkfield en français, dans un PDF numérique. L’image montre les zones des valeurs nécessaires au contrat, provenant de sa couche texte.

Description textuelle du diagramme
La partie supérieure de la confirmation de commande D004 en français. Les zones bleues proviennent de la couche texte du PDF. La zone 1 contient le nom du magasin, Larkfield, sur une bande verte. La zone 2 contient le numéro de commande LK-285213, à côté de « N° de commande ». La zone 3 contient la date « 13 sept. 2026 ». La zone 4 contient le paiement, « Amex ****2004 ». Sous un tableau de trois articles, la zone 5 contient le sous-total 488,00, après « Sous-total ». La zone 6 contient les frais de livraison, 0,00, après « Livraison ». Deux zones portent le numéro 7 : les deux taxes, 24,40 après « TPS 5 % » et 48,68 après « TVQ 9,975 % ». La zone 8 contient le total, « 561,08 $ ». La zone 9 contient l’étiquette « Total (CAD) », qui donne la devise.
Voici l’enregistrement selon le contrat, champ par champ. Chaque valeur respecte le format du contrat, et chaque valeur indique d’où elle vient.
| # | Champ | Texte imprimé | Valeur du contrat | Statut | Preuves (page 1, zone en pt) |
|---|---|---|---|---|---|
| 1 | vendor | Larkfield |
Larkfield | found | [50.0 27.6 141.7 49.6] |
| 2 | order_number | LK-285213 |
LK-285213 | found | [170.0 102.1 218.9 112.1] |
| 3 | date | 13 sept. 2026 |
2026-09-13 | found | [170.0 118.1 230.6 128.1] |
| 4 | payment_method | Amex ****2004 |
Amex | found | [170.0 150.1 236.1 160.1] |
| 5 | subtotal | 488,00 |
488.00 | found | [531.4 270.1 562.0 280.1] |
| 6 | shipping | 0,00 |
0.00 | found | [542.5 286.1 562.0 296.1] |
| 7 | tax | 24,40 et 48,68 |
73.08 | found | deux zones : [537.0 302.1 562.0 312.1], [537.0 318.1 562.0 328.1] |
| 8 | total | 561,08 $ |
561.08 | found | [515.3 336.5 562.0 348.5] |
| 9 | currency | Total (CAD) |
CAD | found | [360.0 336.5 426.0 348.5] |
Vérifiez-le comme le fera le module de validation : 488,00 + 0,00 + 24,40 + 48,68 = 561,08. La taxe est la somme des deux lignes, comme le prévoit le contrat : 24,40 + 48,68 = 73,08. Le paiement conserve « Amex » et retire ****2004 : le contrat ne stocke jamais de numéro de carte, car Larkfield n’en a pas besoin.
Dans un enregistrement écrit par un programme, le total de D004 pourrait ressembler à ceci. Celui-ci est écrit à la main pour la leçon; le module 3 crée les vrais enregistrements avec du code.
{ "field": "total", "value": "561.08", "status": "found", "printed": "561,08 $", "evidence": { "file": "receipt-lk-285213.pdf", "page": 1, "box": [515.3, 336.5, 562.0, 348.5], "unit": "pt" }}L’enregistrement conserve le texte imprimé et la valeur au format du contrat. Le texte imprimé permet à une personne de comparer avec la page; la valeur permet au programme d’additionner, de comparer et de valider.
Le contrat de Larkfield
Section intitulée « Le contrat de Larkfield »Grace précise les champs nécessaires à ses agents pour une demande de garantie ou de remboursement. Mei les écrit sous forme de code, et Priya vérifie que le fichier de référence utilise les mêmes formats. Le nom du contrat comprend une version : receipt-v1. Quand un champ change, la version change, et les anciens résultats indiquent toujours l’engagement qu’ils ont respecté.
Exercice guidé : installer et lire le contrat
Section intitulée « Exercice guidé : installer et lire le contrat »-
Dans
~/projects/doc-extract, avec l’environnement virtuel actif, copiez le contrat, sa version écrite et ses tests depuis l’instantanéend-of-m01. Le dossierdocsest nouveau :Fenêtre de terminal S=../nextia-learning-labs/C13/snapshots/end-of-m01mkdir -p docscp $S/doc_extract/contract.py doc_extract/cp $S/docs/extraction-contract.md docs/cp $S/tests/test_contract.py tests/Fenêtre de terminal $S = "..\nextia-learning-labs\C13\snapshots\end-of-m01"New-Item -ItemType Directory -Force docs | Out-NullCopy-Item "$S\doc_extract\contract.py" doc_extract\Copy-Item "$S\docs\extraction-contract.md" docs\Copy-Item "$S\tests\test_contract.py" tests\ -
Exécutez les tests :
Fenêtre de terminal python -m pytest -q........................................ [100%]40 passed in 6.15s20 nouveaux tests vérifient les formats des montants et des dates, les noms des vendeurs et la présence de chaque champ du code dans le contrat écrit.
-
Affichez le contrat :
Fenêtre de terminal python -m doc_extract.contractExtraction contract receipt-v1: one record per receiptEvidence for every found or inferred value: file, page and box (x0, top, x1, bottom) in the page's unit; for a spreadsheet, sheet and cellfield kind required may be missing because formatvendor text yes unreadable the shop's name, e.g. Larkfieldorder_number code no not_printed, cut_off, unreadable LK- and 6 digits, e.g. LK-547562In-store receipts have a transaction number instead. Never put the transaction number here.date date yes cut_off, unreadable YYYY-MM-DD (ISO 8601)Receipts from Quebec print the day first: 09/08/2026 is 9 August 2026.currency code yes unreadable CAD or USD (ISO 4217)A shop in Canada that prints only '$' or no symbol: CAD, with status inferred.subtotal money yes cut_off, unreadable 2 decimals, a point, no thousands separator: 1011.78shipping money no not_printed, cut_off, unreadable 2 decimalsTill receipts have no shipping line: absent, not_printed (counts as 0.00).tax money yes cut_off, unreadable 2 decimals: the sum of all tax lines (GST, HST, PST, QST)total money yes cut_off, unreadable 2 decimals: the amount paidpayment_method enum no not_printed, cut_off, unreadable Visa, Mastercard, Amex, Debit or Cash (no card number)items: a list, one entry per printed line: description (as printed), quantity (a whole number), unit_price (2 decimals), line_total (2 decimals) -
Ouvrez
docs/extraction-contract.mddans VS Code. C’est le même contrat, écrit pour les personnes : l’équipe de Grace lit ce fichier, pas le code. Il énumère aussi les vérifications ajoutées au module 5.
Lisez la colonne « may be missing because » (raisons possibles de l’absence). Le vendeur peut manquer seulement s’il est illisible : chaque reçu indique son magasin. Le numéro de commande peut aussi être not_printed (non imprimé), car les reçus en magasin n’en ont pas. Le total peut être cut_off (coupé) ou unreadable (illisible), jamais not_printed : chaque reçu imprime un total. Un lecteur qui indique « total : absent, not_printed » enfreint donc le contrat, et le pipeline peut le détecter.
La même valeur, écrite d’une seule façon
Section intitulée « La même valeur, écrite d’une seule façon »Le contrat contient aussi les fonctions qui convertissent une valeur imprimée au format du contrat. C’est la normalisation. Essayez-les à l’invite Python dans le dossier de votre projet :
>>> from doc_extract import contract>>> contract.money("561,08 $")'561.08'>>> contract.money("1 011,78 $")'1011.78'>>> contract.parse_date("13 sept. 2026", day_first=True)'2026-09-13'>>> contract.parse_date("09/08/2026", day_first=True)'2026-08-09'>>> contract.payment("Amex ****2004")'Amex'>>> contract.vendor("LARKFIELD")'Larkfield'>>> print(contract.order_number("Transaction: 0693-220"))NoneLa fonction pour les montants lit le format français, avec une espace entre les milliers et une virgule décimale. La fonction pour les dates doit savoir si le jour vient en premier. La langue ou la province du reçu fait donc partie de l’entrée. Et un numéro de transaction n’est pas un numéro de commande : la fonction ne trouve pas LK- et ne renvoie rien, plutôt qu’une mauvaise valeur.
Trois raisons d’absence
Section intitulée « Trois raisons d’absence »Les raisons du contrat ne sont pas de simples mots pour un rapport. Chacune indique à l’agent quoi faire ensuite. L’image montre un reçu pour chaque raison.

Description textuelle du diagramme
À gauche, le haut de D003, un reçu de caisse d’un magasin Larkfield. Il imprime la date, « Transaction : 0693-220 » et « Till 03 » (caisse 03), mais aucune ligne de commande. Un achat en magasin n’a pas de numéro de commande. Au milieu, D045, une photo prise au téléphone d’un reçu de caisse posé sur une table. La photo s’arrête juste sous la ligne HST (TVH), donc le total et le paiement sont hors de l’image. À droite, D046, une photo prise au téléphone si floue et sombre qu’aucun mot n’est lisible. Pourtant, le reçu imprimait chaque valeur.
- not_printed (numéro de commande de D003) : tout est normal. L’agent trouve la commande autrement, par exemple avec la date et le total.
- cut_off (total de D045) : le client peut envoyer une meilleure photo. La valeur existe sur le papier.
- unreadable (D046, tous les champs) : le fichier est inutilisable tel quel. Le fichier de référence conserve les valeurs de D046, car le reçu les imprimait. Un lecteur qui répond « absent, unreadable » est honnête, mais le document doit être confié à une personne. Le module 5 envoie en révision chaque reçu auquel il manque un champ obligatoire.
Quand écrire un contrat, et ce qu’il coûte
Section intitulée « Quand écrire un contrat, et ce qu’il coûte »Écrivez le contrat d’abord, avant tout code d’extraction, et convenez-en avec les personnes qui utilisent les valeurs. Dans ce cours, chaque lecteur du module 2 remplit le même contrat. Vous pouvez ainsi comparer la couche texte, l’OCR et un modèle de vision champ par champ. Sans contrat, vous ne pourriez comparer que des impressions.
Limitez-le aux besoins du travail. Les agents de Grace ont besoin de neuf champs et des lignes d’articles. Ils n’ont pas besoin du numéro de caisse, de l’heure ou des derniers chiffres de la carte. Le contrat les exclut donc. Chaque champ ajouté doit être extrait, validé et évalué.
Le contrat a des coûts. Un contrat strict rend plus de valeurs absentes : une réponse honnête « absent » est confiée à une personne. Quelqu’un paie pour ce temps. Un nouveau type de document exige son propre contrat : la liste de prix et les politiques du module 3 ont leurs propres enregistrements. Et les reçus d’un nouveau magasin peuvent exiger de nouvelles règles. Le magasin partenaire, Maple & Pine Hardware, écrit « AMOUNT DUE » (montant dû) au lieu de « TOTAL ». Le contrat ne change pas, mais le code qui le remplit doit apprendre les nouveaux mots.
Erreurs courantes
Section intitulée « Erreurs courantes »Erreur courante
Une date du Québec lue avec le mois en premier
Symptôme : le reçu en français D036 imprime 09/08/2026. La date extraite est 2026-09-08, mais la référence indique 2026-08-09. La valeur a le bon format, donc rien ne semble incorrect.
Cause : la date a été lue avec le mois en premier, comme aux États-Unis :
>>> contract.parse_date("09/08/2026")'2026-09-08'Correction : transmettez ce que la page vous indique. Les reçus du Québec et ceux en français impriment le jour en premier : contract.parse_date("09/08/2026", day_first=True) donne '2026-08-09'. Le contrat inscrit cette règle dans les notes sur la date, pour que chaque lecteur la suive. Une date comme 31/02/2026 renvoie None (aucune valeur) : le 31 février n’existe pas, et le contrat n’en invente jamais.
Erreur courante
Un numéro de transaction dans le champ de commande
Symptôme : pour D003, le numéro de commande est 0693-220. La référence indique « pas sur le document ».
Cause : le lecteur a pris le numéro le plus proche qui ressemblait à un identifiant. La requête simple au modèle de vision a fait cela sur 11 reçus.
Correction : suivez le format du contrat : LK- suivi de 6 chiffres. Une valeur sous une autre forme n’est pas un numéro de commande, quelle que soit son étiquette. Écrivez absent, avec la raison not_printed. Le module 4 mesure une requête de modèle qui connaît cette règle : elle a empêché chacune de ces 11 inventions.
À vous de jouer : la fiche d’une photo selon le contrat
Section intitulée « À vous de jouer : la fiche d’une photo selon le contrat »Changez une chose : rédigez la fiche de la photo en français D036 plutôt que celle du PDF D004. Ouvrez out/show/D036-p1.png (ou exécutez de nouveau python -m doc_extract.show D036). Pour chacun des neuf champs, écrivez la valeur au format du contrat et son statut. Laissez les cadres vides : une photo n’a pas de couche texte, et l’OCR trouve les cadres au module 2. Faites attention à la devise et aux frais de livraison.
Afficher la réponse
| Champ | Texte imprimé | Valeur | Statut |
|---|---|---|---|
| vendor | LARKFIELD |
Larkfield | trouvé |
| order_number | Commande : LK-706142 |
LK-706142 | trouvé |
| date | Date : 09/08/2026 |
2026-08-09 | trouvé (jour en premier : Montréal) |
| currency | seulement $ |
CAD | inféré : une boutique Larkfield au Canada qui imprime seulement $ |
| subtotal | 880,00 |
880.00 | trouvé |
| shipping | rien | — | absent, not_printed : un reçu de caisse n’a pas de ligne de livraison |
| tax | TPS 5 % 44,00 et TVQ 9,975 % 87,78 |
131.78 | trouvé (deux cadres) |
| total | 1 011,78 $ |
1011.78 | trouvé |
| payment_method | Cash (comptant) |
Cash | trouvé |
Vérification : 880,00 + 44,00 + 87,78 = 1 011,78, et les valeurs réelles de python -m doc_extract.documents D036 concordent toutes.
La devise est la seule valeur inférée : la photo affiche $, pas CAD. La preuve d’une valeur inférée indique ce qui permet de la déduire : le $ du total et l’adresse à Montréal. Les frais de livraison sont absents, et non de 0,00 : le reçu ne les affiche pas. Le contrat dit qu’ils comptent pour 0,00 dans la somme, mais la fiche ne prétend pas que le reçu les affiche.
Exercice du module : classer les documents et choisir les chemins
Section intitulée « Exercice du module : classer les documents et choisir les chemins »Vous avez maintenant les trois outils de ce module : le routeur, la mise en page et le contrat. Ensemble, ils répondent à la première question pour tout nouveau fichier : qu’est-ce que c’est, comment le lire et qu’en attendre?
Un petit exemple détaillé. Voici trois documents, avec le chemin indiqué par route et un plan :
| Document | Type et chemins | Lecteur | Ce qu’il faut attendre du contrat |
|---|---|---|---|
D011 receipt-lk-103119.pdf |
numérique : text (texte) |
couche texte, lignes | les neuf champs trouvés sauf les frais de livraison (absents, not_printed); cadres en points |
D019 scan0001.pdf |
numérisation : ocr (OCR) |
OCR sur l’image de la page | la couche texte est vide; cadres en pixels de l’image; le petit reçu occupe une grande page grise, donc le recadrage peut aider |
D058 warranty-claim-wc-2026-0418.pdf |
mixte : text ocr (texte et OCR) |
couche texte de la page 1 (le formulaire de réclamation), OCR de la page 2 (le reçu) | les champs du reçu viennent seulement de la page 2; la preuve doit indiquer la page 2 |
Chaque ligne indique le type, le chemin de chaque page, le lecteur et un problème possible. Le plan de D058 montre pourquoi chaque page a son propre chemin.
Votre tâche. Faites la même chose pour ces huit documents. Prédisez d’abord le type et les chemins à partir du nom et de ce que vous savez. Exécutez ensuite python -m doc_extract.route pour chacun, et documents lorsque les valeurs réelles sont utiles. Pour chacun, indiquez le lecteur et ce qu’il faut attendre du contrat, y compris les valeurs qui pourraient être absentes.
D004 receipt-lk-285213.pdf · D026 scan0008.jpg · D040 IMG_4845.jpg · D047 IMG_4894.jpg · D052 order-us-lk-159455.pdf · D056 aquaflow-price-list.pdf · D057 aquaflow-price-list.xlsx · D061 receipt-download.pdf
Afficher une solution détaillée
| Document | Type et chemins (selon route) |
Lecteur | Ce qu’il faut attendre |
|---|---|---|---|
| D004 | numérique : text (420 caractères) |
couche texte | français : virgules décimales, « 13 sept. 2026 »; taxe = deux lignes; les neuf champs trouvés, comme dans cette leçon |
| D026 | numérisation : ocr |
OCR | français; la description de sa création dans les données réelles indique "turn": 180 : la page est à l’envers, donc il faut la tourner avant l’OCR (module 2) |
| D040 | photo : ocr |
OCR | français; une photo très inclinée; cadres en pixels; date avec le jour en premier |
| D047 | photo : ocr |
OCR | le haut est coupé : fournisseur et date absents. La raison pour la date peut être cut_off (coupé), mais la seule raison permise pour le fournisseur est unreadable (illisible) : cette photo ne respecte pas le contrat. La raison honnête est cut_off, donc la règle est trop stricte ici; un meilleur contrat l’autoriserait, une amélioration que vous pourrez faire plus tard. Les deux champs sont obligatoires, donc le reçu passe en révision |
| D052 | numérique : text (324 caractères) |
couche texte | devise USD, pas CAD : le contrat l’autorise, et le module 5 avertit avant un remboursement |
| D056 | numérique : text text |
couche texte, puis lecteur de tableaux | ce n’est pas un reçu : le contrat des reçus ne s’applique pas; un tableau se poursuit à la page 2 (module 3) |
| D057 | feuille de calcul : sheet (feuille) |
les cellules | ce n’est pas un reçu; la preuve est une feuille et une cellule, pas une page et un cadre |
| D061 | illisible : stop (arrêt) (« cannot open : PdfminerException », impossible d’ouvrir) |
aucun | aucun champ; il faut arrêter le traitement du fichier avec une raison (le module 2 indique que le téléchargement est défectueux) |
Vos notes peuvent différer. Vérifiez trois choses. Chaque ligne nomme le chemin de chaque page. Les documents en français et ceux qui sont tournés indiquent ce que le lecteur doit gérer. Et les documents qui ne sont pas des reçus, ou sont illisibles, ne reçoivent pas de champs de reçu.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Vérification de fin de module : expliquez, avec trois documents de ce module, pourquoi une seule méthode d'extraction ne convient pas à toutes les entrées de Larkfield.
Afficher la réponse
Les entrées diffèrent à l’intérieur, pas seulement par leur apparence.
- D011, un PDF de caisse, contient son texte : la couche texte donne chaque ligne exacte, avec ses cadres, en quelques millisecondes et gratuitement. L’OCR ou un modèle de vision serait plus lent, coûterait plus cher et pourrait mal lire (le modèle a lu « LARKEFIELD » sur le PDF net D009).
- D019, un PDF numérisé, n’a pas de couche texte : un lecteur de texte renvoie zéro ligne, sans erreur. Seul l’OCR ou un modèle de vision peut le lire.
- D058 contient les deux types de pages : la page 1 contient du texte, la page 2 est un reçu numérisé. Même un seul fichier nécessite deux méthodes, donc le chemin se choisit par page.
Autres bonnes réponses : D057 est une feuille de calcul, lue par ses cellules. D061 ne peut pas être ouvert, donc son traitement s’arrête avec une raison. D054 nécessite l’ordre de lecture, sinon 15 de ses 25 paragraphes sont brisés.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez : un lecteur renvoie ces valeurs pour la photo coupée D045. Lesquelles enfreignent le contrat, et pourquoi? (a) total : absent, raison cut_off. (b) total : 405.61, trouvé. (c) shipping : 0.00, trouvé. (d) payment_method : absent, raison not_printed.
Afficher la réponse
- (a) Respecte le contrat. Le total est imprimé sur le reçu, mais la photo ne l’inclut pas.
- (b) L’enfreint. 405,61 = 358,95 + 46,66 est une supposition calculée, pas une valeur imprimée sur la page; le statut « trouvé » exige un cadre. C’est une valeur inventée.
- (c) L’enfreint. Un reçu de caisse n’affiche aucune ligne de livraison. La bonne réponse est absent, not_printed. Les frais comptent pour 0,00 dans la somme, mais la fiche ne doit pas indiquer « trouvé ».
- (d) Mauvaise raison. Les reçus de caisse affichent le paiement; sur D045, la photo l’a coupé. La raison est cut_off. C’est important : cut_off indique à l’agent de demander une meilleure photo.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Vérification pratique : après cette leçon, combien de tests réussissent, quelle est la première ligne de `python -m doc_extract.contract`, et que renvoie `contract.parse_date('09/08/2026', day_first=True)`?
Afficher la réponse
python -m pytest -q affiche 40 passed (40 tests réussis). La première ligne est Extraction contract receipt-v1: one record per receipt (contrat d’extraction receipt-v1 : une fiche par reçu). parse_date('09/08/2026', day_first=True) renvoie '2026-08-09' : le 9 août, comme l’indique un reçu québécois. Votre projet correspond maintenant à l’instantané end-of-m01, sauf son README.md, qui liste les commandes de ce module. Copiez-le depuis l’instantané si vous le souhaitez.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Un contrat d’extraction (schéma d’extraction) donne le type, le format, l’unité et le caractère obligatoire de chaque champ. Il nomme la preuve qui accompagne chaque valeur (fichier, page, cadre : sa provenance) et les raisons de son absence possible.
- Chaque valeur a un statut : trouvé, inféré ou absent avec une raison (
not_printed(non imprimé),cut_off,unreadable). Une absence est une réponse correcte; une supposition ne l’est jamais. - La fiche de D004 contient neuf valeurs au format du contrat, chacune avec son cadre. Taxe = 24,40 + 48,68 = 73,08, et 488,00 + 0,00 + 73,08 = 561,08.
- La normalisation écrit chaque valeur d’une seule façon :
1 011,78 $devient1011.78;09/08/2026sur un reçu québécois devient2026-08-09; un numéro de transaction n’est jamais un numéro de commande. python -m pytest -qaffiche40 passed. Votre projet correspond à l’instantanéend-of-m01.
Le module 1 en un paragraphe. Vous avez créé les 65 documents du cours, dont les valeurs réelles sont connues parce que le générateur les a écrites d’abord. Vous avez examiné l’intérieur de chaque fichier : les premiers octets donnent son format, et chaque page PDF contient une couche texte ou une image. Vous avez donc dirigé 25 fichiers numériques vers la couche texte, 35 images vers l’OCR et une feuille de calcul vers ses cellules, et arrêté le traitement de 3 fichiers. La réclamation mixte a été traitée page par page. Vous avez vu que la mise en page porte du sens : dans l’ordre naïf, seuls 10 des 25 paragraphes de la politique restent intacts, contre 25 sur 25 dans l’ordre de lecture. Et vous avez rédigé le contrat que chaque lecteur doit remplir : neuf champs, chacun avec son format, sa preuve et les raisons permises de son absence.
Ensuite, le module 2 bloque les mauvais fichiers à l’entrée, puis compare la couche texte, l’OCR et un modèle de vision sur les mêmes pages.
Leçon suivante : Traitement des entrées