Le meilleur OCR pour les documents financiers en 2026

Les relevés. 47 relevés bancaires de 47 banques, un par banque : des banques françaises comme BNP Paribas, Société Générale, Crédit Agricole et La Banque Postale, des banques allemandes et autrichiennes, et les néobanques qu'un prêteur voit réellement passer (Qonto, Revolut, Wise, bunq, Shine, PayPal, SumUp). 93 pages au total, en français, allemand et anglais. Chaque relevé a été anonymisé avant le test : noms, adresses et numéros de compte remplacés, mise en page des tableaux inchangée.

Les scans. Chaque page a été rendue à 150 dpi en niveaux de gris, pivotée de 0,8 degré, légèrement floutée, bruitée comme par un capteur et enregistrée en JPEG qualité 35. C'est ce qu'envoie par e-mail le copieur d'une agence, et c'est pour cela que l'OCR existe.

Les réponses. 492 transactions, chacune avec sa date et son montant, vérifiées à la main par rapport au PDF chaque fois qu'un système testé divergeait de la référence.

Le score. Pour chaque transaction, nous cherchons son montant dans ce que le moteur a lu sur la page, chiffre par chiffre : 1.234,56, 1 234,56 et 1,234.56 comptent tous, 1234 ne compte pas, et chaque montant trouvé n'est utilisé qu'une fois. Une date compte quand son jour et son mois sont présents. Chaque moteur a tourné sur CPU, avec ses modèles par défaut, et a été noté par le même code.

La vitesse. Les mêmes 10 scans, sur les mêmes 8 cœurs CPU, un moteur à la fois. Hologlyph lit plusieurs pages à la fois ; Tesseract lit une page à la fois par défaut, et va plus vite si vous lancez plusieurs instances.

Hologlyph est le moteur OCR que Holofin développe pour les documents qu'il lit chaque jour : relevés bancaires, états financiers, pièces d'identité et les scans qui les accompagnent.

Sur ce test, il a lu chaque montant présent dans la couche texte du PDF (celui qu'il a manqué est aussi absent de la couche texte), et il a été le plus rapide des cinq. Une mise en garde honnête : Hologlyph est entraîné sur des documents financiers, les mises en page de ces 47 relevés peuvent donc lui être familières.

RapidOCR intègre les modèles PP-OCRv4 de Baidu au format ONNX : il s'installe avec pip et tourne sur CPU sans framework de deep learning. Il lit des lignes entières d'un coup, ce qui fonctionne bien sur les chiffres. Le prix à payer porte sur les mots : sur du texte latin, il supprime souvent les espaces, si bien que RELEVE DE VOTRE COMPTE devient RELEVEDEVOTRECOMPTE.

Il colle aussi les éléments voisins. Sur un relevé autrichien, il a lu la date de comptabilisation et le montant comme une seule chaîne, 24.12.202315.000,00EUR. Un parseur qui lit cela comme un seul nombre obtient plus de deux cents millions d'euros.

docTR, de Mindee, lit en deux étapes : un détecteur trouve les mots, un modèle de reconnaissance les lit. Il renvoie des boîtes de mots propres avec leurs positions, ce qui en fait le plus simple des cinq pour construire un parseur de tableaux. Il nécessite PyTorch, et il a lu un relevé de plus en entier que RapidOCR, tout en manquant un montant de plus.

EasyOCR est le plus simple à installer et lit plus de 80 langues. Sur les relevés scannés, il a lu la plupart des montants mais a abîmé les décimales : 7.781,98 est devenu 7.78/,98, 50.000,00 est devenu 50.000,oo/, et 25.000,00 est devenu 25,00o 0o. Un zéro lu comme la lettre o, c'est une coquille dans une phrase. Dans une colonne de montants, c'est une transaction qui ne se parse plus. Il a aussi été le plus lent des cinq.

Tesseract est la réponse par défaut à « OCR gratuit ». Sur ces scans, il a manqué 1 montant sur 9. Pire que les oublis, les mauvaises lectures : 472,07 est ressorti en 47207 et 22,38 en 2236. Les deux ressemblent à de vrais montants. Un nombre manquant fait échouer un solde bruyamment. Un nombre faux le fait échouer en silence.

Lire n'est pas extraire

Un moteur qui lit chaque montant ne vous a toujours pas dit quel montant est le débit, lequel est le crédit et lequel est le solde courant. Les mises en page de relevés placent les dates sur une ligne et les montants sur la suivante, répartissent les libellés sur trois lignes et répètent l'en-tête sur chaque page. Transformer le texte en transactions est un travail distinct, et c'est là que naissent la plupart des erreurs d'extraction.

Un montant faux ressemble à un montant juste

Chaque mauvaise lecture ci-dessus est un nombre valide. 47207 passe tous les contrôles de format qu'un tableur effectuera. Seule l'arithmétique le détecte : le solde d'ouverture plus les transactions doit être égal au solde de clôture. Si votre pipeline ne fait pas cette somme, il ne sait pas si son OCR a fonctionné.

L'OCR lit tout aussi bien un relevé falsifié

Un OCR parfait lit un relevé modifié aussi fidèlement qu'un relevé authentique. Savoir si le PDF a été modifié après sa production par la banque, ou si une page a été redessinée par un modèle d'image, est une question que l'OCR ne se pose pas.