🇫🇷 Extraction Content File

Contacter Ocade Fusion

L’extraction de contenu depuis des fichiers est une étape fondamentale pour automatiser la gestion documentaire. Que ce soit un PDF, un fichier TXT, un tableur Excel ou une image, N8N propose des nœuds spécialisés pour récupérer le texte de chaque format. Combinée à l’IA, cette extraction permet ensuite de classifier automatiquement vos documents : factures, devis, tickets de remboursement, contrats.

Pourquoi extraire le contenu des fichiers ?

L’extraction de contenu est la première étape d’une chaîne d’automatisation documentaire. Une fois le texte extrait, vous pouvez :

• Classifier automatiquement : identifier si un document est une facture, un devis, un contrat
• Résumer le contenu : obtenir une synthèse rapide d’un document long
• Renommer intelligemment : générer un nom de fichier pertinent basé sur le contenu
• Indexer pour la recherche : rendre vos documents accessibles par mots-clés
• Alimenter une base de données : extraire des informations structurées (montants, dates, noms)

Types de fichiers et méthodes d’extraction

Chaque type de fichier nécessite une approche différente. N8N propose des nœuds dédiés pour les formats courants :

Workflow simple : extraction fichier TXT

Commençons par un workflow basique pour comprendre le fonctionnement de l’extraction.

Architecture du workflow

Formulaire → Extract from Text → LLM (Résumé) → Merge
                                → LLM (Nom fichier) ↗

Étape 1 : Réception du fichier

Un nœud Formulaire permet à l’utilisateur de télécharger un fichier TXT. Ce déclencheur récupère le fichier en entrée du workflow.

Étape 2 : Extraction du contenu

Le nœud Extract from Text lit le fichier TXT et en extrait le contenu brut sous forme de texte. Cette opération est instantanée car les fichiers TXT contiennent du texte natif sans encodage complexe.

Étape 3 : Traitement par LLM

Deux LLM travaillent en parallèle sur le contenu extrait :

• Premier LLM : génère un résumé du contenu du fichier
• Second LLM : propose un nom de fichier pertinent basé sur le contenu

Étape 4 : Fusion des résultats

Le nœud Merge rassemble les deux sorties (résumé + nom proposé) dans un seul objet exploitable pour la suite du workflow.

Exemple de résultat

Pour un fichier TXT contenant du code CSS d’un header de site :

• Nom proposé : « Style Header Component »
• Résumé : description des propriétés CSS et de leur usage

Ce résumé peut ensuite alimenter un nœud classifieur pour catégoriser automatiquement le document.

Workflow avancé : gestion multi-formats

Pour traiter différents types de fichiers, le workflow doit router chaque format vers le nœud d’extraction approprié.

Architecture multi-formats

Fichier → Détection type → Switch
                              ├── TXT → Extract from Text → LLM
                              ├── PDF → Extract from PDF → (vide ?) → Analyze Image → LLM
                              ├── Image → Analyze Image → LLM
                              └── XLSX → Read Spreadsheet → LLM

Le nœud Switch route le fichier vers le bon traitement selon son extension ou son type MIME.

Extraire le texte d’une image avec l’IA

Les images (JPG, PNG) nécessitent un traitement spécial : l’IA analyse visuellement le contenu et décrit ce qu’elle voit, y compris le texte présent.

Utiliser Analyze Image (OpenAI)

Le nœud Analyze Image d’OpenAI utilise GPT-4 Vision pour analyser une image. Il peut :

• Décrire le contenu visuel de l’image
• Lire et extraire le texte visible (OCR intelligent)
• Identifier des éléments spécifiques (logos, signatures, tableaux)

Le texte retourné par l’IA peut ensuite être traité comme n’importe quel contenu texte : résumé, classification, extraction de données.

Cas particulier : PDF image ou scanné

Les PDF peuvent contenir deux types de contenu :

• PDF texte : le texte est directement accessible via Extract from PDF
• PDF image : le contenu est une image (scan, photo), le texte n’est pas extractible directement

Détecter un PDF image

Après extraction avec Extract from PDF, si le contenu retourné est vide ou quasi-vide, le PDF est probablement un scan ou une photo convertie en PDF.

Workflow pour PDF image

PDF → Extract from PDF → Contenu vide ?
                              ├── Non → Traitement texte normal
                              └── Oui → Write File → Convert to Image → Read File → Analyze Image → LLM

Étapes détaillées

1. Write File : écrire le PDF sur le serveur N8N
2. Convert to Image : convertir le PDF en image (JPG/PNG)
3. Read File : récupérer l’image en binaire
4. Analyze Image : analyser l’image avec l’IA pour extraire le texte
5. Nettoyage : supprimer les fichiers temporaires du serveur

Cette méthode permet de traiter n’importe quel PDF, qu’il contienne du texte natif ou des images scannées.

Classifier les documents avec l’IA

Une fois le texte extrait, le nœud Text Classifier permet de catégoriser automatiquement les documents selon des catégories que vous définissez.

Exemple de catégories

• Facture
• Devis
• Contrat
• Ticket de remboursement
• Document administratif
• Correspondance

Le classifieur analyse le résumé ou le contenu brut et attribue la catégorie la plus pertinente. Cette classification peut ensuite déclencher des actions spécifiques : archivage dans un dossier dédié, notification, extraction de données structurées.

Bonnes pratiques

• Créez un workflow réutilisable : développez un workflow maître que vous appelez via Execute Workflow depuis d’autres automatisations
• Nettoyez les fichiers temporaires : supprimez les fichiers écrits sur le serveur après traitement pour éviter l’accumulation
• Gérez les erreurs : prévoyez des branches pour les cas où l’extraction échoue (fichier corrompu, format non supporté)
• Optimisez les coûts IA : utilisez des modèles légers pour les tâches simples (résumé court) et des modèles avancés uniquement pour l’analyse d’images
• Testez avec différents formats : validez votre workflow avec des PDF texte, PDF scan, images de qualité variable

Comment extraire le texte d'un PDF qui contient uniquement une image scannée ?

Utilisez directement le nœud Extract from PDF qui gère automatiquement les images scannées grâce à son OCR intégré. Envoyez le PDF à Google Drive qui convertit automatiquement les scans en texte éditable via son OCR natif. Utilisez Extract from PDF, puis si le contenu est vide, convertissez le PDF en image et analysez-la avec le nœud Analyze Image d'OpenAI pour extraire le texte via l'IA. Utilisez le nœud Read Binary File qui détecte automatiquement le texte dans les images et l'extrait sans configuration supplémentaire.

Conclusion

L’extraction de contenu dans N8N est une brique essentielle pour automatiser la gestion documentaire. Chaque type de fichier nécessite une approche spécifique : Extract from Text pour les TXT, Extract from PDF pour les PDF texte, et Analyze Image pour les images et PDF scannés. En combinant ces extractions avec des LLM, vous pouvez résumer, renommer et classifier automatiquement vos documents.

Pour aller plus loin avec la classification automatique, consultez notre tutoriel dédié au nœud Text Classifier. Explorez nos autres ressources N8N ou contactez notre équipe pour concevoir un système de gestion documentaire intelligent adapté à vos besoins.

Vous recherchez d’autres contenus ?