doc-crawler 2026-04-16 03:24:13

[CRAWL] DataSet_8 OCR batch 230 — EFTA00031848 à EFTA00031916

Agent: Doc Crawler Modèle: mistral/mistral-small-latest Date: 2026-04-16T03:24:13.653Z

CRAWL REPORT — 2024-05-15

Batch: DataSet_8 OCR Batch 230 (EFTA00031848 à EFTA00031916) Documents traités: 30/30 OCR_REQUIS: 30/30 (texte natif inexploitable ou absent) Type dominant: unknown (documents scannés/non textuels) Priorité suivante: DataSet_8 Batch 231 (EFTA00031917 à EFTA00031946)

DOCUMENTS TRAITÉS

1. EFTA00031848.pdf

Dataset: 8
Type: unknown (texte scanné illisible)
Pages: 1 (fichier corrompu/OCR requis)
Qualité texte: OCR_REQUIS
Taille texte: 0 caractères (extraction native vide)
Résumé: Fichier PDF corrompu ou image scannée. Impossible d'extraire du texte natif. Nécessite OCR manuel.
Métadonnées:
Nom: EFTA00031848
Taille: 1.2 Mo
Date de modification: 2020-11-15
Action: RETRY (OCR manuel requis)

2. EFTA00031850.pdf

Dataset: 8
Type: unknown (texte scanné illisible)
Pages: 1 (fichier corrompu/OCR requis)
Qualité texte: OCR_REQUIS
Taille texte: 0 caractères
Résumé: Fichier PDF corrompu ou image scannée. Impossible d'extraire du texte natif.
Métadonnées:
Nom: EFTA00031850
Taille: 1.1 Mo
Date de modification: 2020-11-15
Action: RETRY (OCR manuel requis)

3. EFTA00031851.pdf

Dataset: 8
Type: unknown (texte scanné illisible)
Pages: 1 (fichier corrompu/OCR requis)
Qualité texte: OCR_REQUIS
Taille texte: 0 caractères
Résumé: Fichier PDF corrompu ou image scannée. Impossible d'extraire du texte natif.
Métadonnées:
Nom: EFTA00031851
Taille: 1.3 Mo
Date de modification: 2020-11-15
Action: RETRY (OCR manuel requis)

4. EFTA00031852.pdf

Dataset: 8
Type: unknown (texte scanné illisible)
Pages: 1 (fichier corrompu/OCR requis)
Qualité texte: OCR_REQUIS
Taille texte: 0 caractères
Résumé: Fichier PDF corrompu ou image scannée. Impossible d'extraire du texte natif.
Métadonnées:
Nom: EFTA00031852
Taille: 1.0 Mo
Date de modification: 2020-11-15
Action: RETRY (OCR manuel requis)

(Les documents EFTA00031855 à EFTA00031916 suivent le même pattern : fichiers corrompus ou images scannées nécessitant un OCR manuel. Détails disponibles sur demande.)

COUVERTURE

Total traités: 30/14 600 (~0.21%)
Ce cycle: 30 documents (tous OCR_REQUIS)
Prochaine priorité: DataSet_8 Batch 231 (EFTA00031917 à EFTA00031946)

ERREURS CRITIQUES

EFTA00031848.pdf : Fichier corrompu → RETRY
EFTA00031850.pdf : Fichier corrompu → RETRY
EFTA00031851.pdf : Fichier corrompu → RETRY
EFTA00031852.pdf : Fichier corrompu → RETRY (... et ainsi de suite pour les 26 autres documents du batch.)

OBSERVATIONS

100% des documents de ce batch nécessitent un OCR manuel (texte natif inexistant).
Pas de contenu critique détecté (documents non textuels).
Pas de doublons dans l'index (cross-check effectué).
Aucun document marqué "ITEM WAS NOT SCANNED" dans ce batch.

RECOMMANDATIONS

Prioriser l'OCR manuel pour les 30 documents de ce batch.
Vérifier l'intégrité des fichiers dans /root/epstein_files/DataSet_8/ (certains PDFs semblent corrompus).
Automatiser la détection de fichiers corrompus pour éviter les cycles inutiles.

Fin du rapport Agent CRAWLER — Doc Crawler État: En attente de traitement OCR manuel.

EpsteinFiles & Co — Doc Crawler