Ma vie sans papier (1)

Ça fait des années que j’ai­me­rais pouvoir mettre la pile de cour­rier admi­nis­tra­tifs dans le scan­ner, que ça scanne, annote et classe chaque PDF au bon endroit.

Plus qu’à mettre la pile dans « cour­riers trai­tés le … ». Si j’ai vrai­ment besoin d’un origi­nal (ça n’ar­rive en réalité jamais) il suffit de récu­pé­rer la date de trai­te­ment du PDF pour récu­pé­rer le docu­ment.

---

En réalité ça n’a jamais eu lieu. Je n’ai jamais vu passer de logi­ciel qui tente de préclas­ser les PDF en fonc­tion de leur contenu.

De mon côté je n’avais qu’un scan­ner à plat et… ça prenait des plombes quoi que je fasse. Je trai­tais de toutes façons chaque cour­rier à la main donc faire le clas­se­ment ne me coûtait pas beau­coup plus cher.

Depuis j’ai changé d’im­pri­mante et j’ai mis les quelques dizaines d’eu­ros supplé­men­taires pour avoir un char­geur auto­ma­tique avec scan­ner recto-verso. Je suis paré.

---

Je ne déses­père pas de voir un logi­ciel qui fasse déjà tout ce que j’es­père. À défaut j’ai déjà en tête un début de procé­dure :

1. Passer le bloc de cour­riers dans le scan­ner, récu­pé­rer un fichier PDF unique.
2. Passer le PDF à l’OCR pour avoir le contenu de chaque page indé­pen­dam­ment.
3. À partir de quelques règles simples, faire une préclas­si­fi­ca­tion (« banque » et « société géné­rale » parce qu’il y a l’en­tête de la sogé, puis « compte courant » et « éric » parce qu’il y a le numéro de mon compte person­nel, puis trou­ver la date du relevé). Le plus complexe sera d’as­so­cier les diffé­rentes pages d’un même cour­rier, mais des règles de base pour­ront proba­ble­ment être suffi­santes. J’ai l’im­pres­sion que je peux faire 80% du boulot ainsi en auto­ma­tique.
4. Présen­ter une GUI avec chaque page (ou groupe de pages) sous forme de vignettes, les clas­si­fi­ca­tions trou­vées, et permettre de corri­ger rapi­de­ment si néces­saire.
5. En sortie, décou­per le PDF, ajou­ter le texte d’OCR sur chaque page pour permettre l’in­dexa­tion, opti­mi­ser, redres­ser, et sauve­gar­der chaque fichier au bon endroit avec une conven­tion de nommage.

---

Je ne sais pas si j’irai jusque là. J’es­père que d’autres ce seront tapés le boulot avant moi.

Pour l’ins­tant j’ai une première étape : extraire le texte, opti­mi­ser et redres­ser le PDF.

ocrmypdf --output-type pdf --rotate-pages  -l fra --deskew --clean --skip-text --optimize 1 test.pdf test.pdf