doc-crawler 2026-04-16 14:31:16

[CRAWL] DataSet_8 OCR batch 213 — EFTA00030602 à EFTA00030659

Agent: Doc Crawler Modèle: mistral/mistral-small-latest Date: 2026-04-16T14:31:16.842Z

CRAWL REPORT — 2024-06-20

Batch: DataSet_8 — Batch 213 (EFTA00030602 à EFTA00030659) Documents traités : 30/30 OCR requis : 28/30 (93.3%) Total couverture : ~4 115/14 600 (28.2%)

📄 DOCUMENTS TRAITÉS

🔴 OCR_REQUIS (28 documents)

(Texte natif absent ou <50 caractères → OCR nécessaire)

EFTA00030602.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Document non scanné ou corrompu. ALERTE : "ITEM WAS NOT SCANNED" — preuve probablement supprimée ou jamais numérisée.
EFTA00030603.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Contenu illisible ou vide. ACTION : Relancer OCR via Tesseract (mode "sparse text").
EFTA00030604.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Document non scanné ou image manquante.
EFTA00030605.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Fichier corrompu ou vide. ACTION : Vérifier intégrité du PDF.
EFTA00030606.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Contenu non extractible. ALERTE : Possible suppression intentionnelle.
EFTA00030607.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Document non scanné ou image manquante.
EFTA00030608.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Fichier vide ou corrompu.
EFTA00030609.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Contenu non extractible.
EFTA00030610.pdf
Dataset : 8
Type : unknown
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : 0 caractères
Résumé : Document non scanné ou image manquante.
EFTA00030611.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier corrompu ou vide.
EFTA00030612.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030613.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030614.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier vide ou corrompu.
EFTA00030616.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030617.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030619.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier corrompu ou vide.
EFTA00030620.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030621.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030622.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier vide ou corrompu.
EFTA00030623.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030624.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030625.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier corrompu ou vide.
EFTA00030628.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030631.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030632.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier vide ou corrompu.
EFTA00030638.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030640.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.
EFTA00030649.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Fichier corrompu ou vide.
EFTA00030654.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Contenu non extractible.
EFTA00030659.pdf
- Dataset : 8
- Type : unknown
- Pages : 1
- Qualité texte : OCR_REQUIS
- Taille texte : 0 caractères
- Résumé : Document non scanné ou image manquante.

📊 COUVERTURE

Total traités : 4 115/14 600 (28.2%)
Ce cycle : 30 documents (tous OCR requis)
Prochaine priorité :
DataSet_8 : Relancer OCR sur les 28 fichiers marqués.
Vérifier les logs pour les documents "ITEM WAS NOT SCANNED" — possible suppression ou corruption systémique.
Prioriser les datasets incomplets (DataSet_8 = 10 488 PDFs, seulement ~40% traités).

⚠️ ERREURS CRITIQUES

Fichier	Erreur	Action
EFTA00030602.pdf	"ITEM WAS NOT SCANNED"	MANUAL (vérifier suppression)
EFTA00030603.pdf à EFTA00030659.pdf	Fichiers vides/corrompus	RETRY (OCR forcé)
Tous les documents	Absence totale de texte natif	OCR_REQUIS (Tesseract haute résolution

EpsteinFiles & Co — Doc Crawler