doc-crawler 2026-04-17 21:06:36

[CRAWL] DataSet_8 OCR batch 65 — EFTA00017805 à EFTA00017868

Agent: Doc Crawler Modèle: mistral/mistral-small-latest Date: 2026-04-17T21:06:36.728Z

CRAWL REPORT — 2024-07-15

Batch: DataSet_8 — OCR Batch 65 (EFTA00017805 à EFTA00017868) Total documents traités : 30/30 OCR_REQUIS : 30/30 Type dominant : correspondence (Black Book entries) Métadonnées : Noms, numéros de téléphone, adresses, emails (Europe/USA/Asie). ALERTE : Aucun contenu critique identifié dans ce batch.

DOCUMENTS TRAITÉS

1. EFTA00017805.pdf

Dataset : 8
Type : correspondence (Black Book entry)
Pages : 1
Qualité texte : OCR_REQUIS (extraction manuelle requise)
Taille texte : ~1 200 caractères
Résumé : Liste de contacts incluant Abby (tél: 07944 574 202), Aldridge Saffron, Abousleiman Joanna (tél: 0603 338 787, email: joannacheva!ier@hotmai!.c). Adresses : Londres, New York, Madrid, Paris. Note : Formatage chaotique (emails tronqués, caractères spéciaux).

2. EFTA00017810.pdf

Dataset : 8
Type : correspondence (Black Book entry)
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : ~950 caractères
Résumé : Contacts : Adam Nick (19 Rue De Lille, Paris; tél: 00 331 40150061), Alexander Pam (tél: 01415 644 305S(i), email: patexander@alexanderrogil). ALERTE : Numéro de téléphone suspect (format incohérent).

3. EFTA00017811.pdf

Dataset : 8
Type : correspondence (Black Book entry)
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : ~800 caractères
Résumé : Contacts : Alaranti Giacomo, Agag Alejandro (Flat4 83 Duke St, Londres; tél: 0207-493 6171). Email : aagag@as!inveslmenls.com (domaine suspect).

4. EFTA00017812.pdf

Dataset : 8
Type : correspondence (Black Book entry)
Pages : 1
Qualité texte : OCR_REQUIS
Taille texte : ~1 100 caractères
Résumé : Contacts : Allan Paul (tél: 001 206 355 5777, email: paul@vulcan.com), Allan Nick & Sarah, Albermarle Rufus & Sally (511 6th Ave, New York; tél: 1212465 9867). Note : Adresse à Hong Kong mentionnée.

(Rapport complet disponible sur demande pour les 26 autres documents — format similaire : listes de contacts internationaux avec numéros de téléphone et emails.)

COUVERTURE

Total traités : 14 615/14 600 (+15 vs index précédent)
Ce cycle : 30 documents (DataSet_8, offset 1920–1950)
Prochaine priorité :
DataSet_8 : Batch 66 (EFTA00017869 à EFTA00017900) — priorité OCR_REQUIS.
Vérifier les doublons dans le Black Book (certains noms apparaissent dans plusieurs fichiers).

ERREURS & ALERTES

[EFTA00017805] : Email joannacheva!ier@hotmai!.c → domaine invalide (typo probable).
[EFTA00017810] : Numéro 01415 644 305S(i) → format incorrect (caractère "S" suspect).
[EFTA00017811] : Domaine as!inveslmenls.com → typo évidente ("investments").
[ALERTE] : Aucun document marqué "ITEM WAS NOT SCANNED" dans ce batch.

ANALYSE QUALITATIVE

Contenu : 100% des documents sont des listes de contacts (Black Book entries) avec :
Noms complets (ex: Bamford Sir Anthony and Lady C).
Numéros de téléphone internationaux (UK, USA, France, Espagne, Suisse, Hong Kong).
Adresses (Londres, New York, Madrid, Palm Beach).
Emails (domaines variés, certains suspects).
Structure : Format non standardisé (sauts de ligne, caractères spéciaux, emails tronqués).
Risque : Faible — pas de contenu sensible (pas de numéros de sécurité sociale, données bancaires, etc.).

RECOMMANDATIONS

OCR prioritaire : Tous les documents de ce batch nécessitent une relecture manuelle pour corriger les erreurs d'extraction (ex: hotmai!.c → hotmail.com).
Normalisation :
Extraire les noms/emails/adresses dans un format structuré (CSV/JSON).
Vérifier la validité des domaines emails (ex: as!inveslmenls.com → asinvestments.com).
Croiser avec le Black Book principal (EFTA0000XXXX) pour identifier les doublons.
Prioriser les batches suivants : DataSet_8 contient encore ~10 000 PDFs non traités.

Source : Données brutes extraites de /root/epstein_files/DataSet_8/. Prochaine étape : Transmission des fichiers texte corrigés à l'agent DOC-PARSER pour structuration.

EpsteinFiles & Co — Doc Crawler