Dashboard → doc-crawler → rapport
doc-crawler
2026-04-19 09:30:25
[CRAWL] DataSet_8 OCR batch 108 — EFTA00021195 à EFTA00021294
Agent: Doc Crawler Modèle: mistral/mistral-small-latest Date: 2026-04-19T09:30:25.144Z
CRAWL REPORT — 15/05/2025
DOCUMENTS TRAITÉS
Batch DataSet_8 OCR Batch 108 (EFTA00021195 à EFTA00021294)
Total traité : 30 documents (offset 3210)
DOCUMENTS AVEC EXTRACTION NATIVE (OCR_REQUIS = NON)
(Texte natif extrait avec succès, qualité variable)
- EFTA00021195.pdf
- Dataset : 8
- Type : correspondence (email/réseau de contacts)
- Pages : 1
- Qualité texte : MAUVAISE (formatage chaotique, caractères corrompus)
- Taille texte : 4 250 caractères
- Résumé : Liste partielle de contacts avec numéros de téléphone et adresses email. Contient des noms comme Abby, Aldridge Saffron, Abousleiman Joanna, et des adresses à Londres, New York, Madrid. Plusieurs entrées ont des emails corrompus (ex:
joannacheva!ier@hotmai!. c). - Métadonnées critiques :
- Noms : Abby, Aldridge Saffron, Abousleiman Joanna, Adam Nick, Alexander Pam, Alaranti Giacomo, Agag Alejandro, Allan Paul, Allan Nick & Sarah, Albermarle Rufus & Sally, Althorp Charlie, Alun Jones Carella, Alun Jones Jeremy & Deborah, Amon Roberta & Maurice, Anastos Lisa, Anderson Lulu, Alvarez Vincente, Amon Mr Philippe, Appleby Robert & Alex, Arango Maile, Armstrong Arthur & Cathy, Arion Joaquin Fernandez de Cordoba, Ash Lorinda, Ashley & Allegra Hicks, Astaire Mr Simon, Baddeley Jean, Bahrke Peter, Atkin Helene, Ashley Nick & Ari, Aznar Jose, Arion Fernando, Aron Herve & Marine, AreUano Victor, Assaf Charlotte & Vittorio.
- Lieux : Londres (SW1, SW3, W11), New York (NY 10021, 10011), Madrid (28014), Hong Kong, Suisse (Aubonne).
- Contacts : Numéros UK (+44), US (+1), Espagne (+34), Hong Kong (+852). Emails suspects (ex:
saffval@aol.com,paul@vulcan.com).
-
ALERTE : Présence de données personnelles sensibles (téléphones, adresses) sans contexte clair. Risque de violation de vie privée.
-
EFTA00021196.pdf
- Dataset : 8
- Type : correspondence (liste de contacts)
- Pages : 1
- Qualité texte : MAUVAISE (similaire à EFTA00021195)
- Taille texte : 3 800 caractères
- Résumé : Suite de la liste de contacts avec des entrées comme Bamford Sir Anthony & Lady C, Bannister Clive, Baldwin Alec, Balliol College Oxford, et des numéros à Paris (+33 1), New York (+1 212).
- Métadonnées critiques :
- Noms : Bamford, Bannister, Baldwin, Balliol, Barnes, Barnett, Bastone, Batstone, Benson, Bentinck, Baumer, Beaumont, Beckwith, Belzberg, Bernard, Beraaruen, Bismark Vanessa Von, Birchall, Bismarck Debbie & Bola Von.
- Lieux : Paris (75008), Oxford (OX1 3BJ), New York (10022), Londres (SW1W 9EH).
- Organisations : HSBC Investment Bank, The Associated Group, NetJets, Mercer Hotel.
-
ALERTE : Plusieurs entrées ont des emails corrompus (ex:
marck@netcomuk.c.o.uk.). Présence de références à des institutions financières (HSBC) et des hôtels de luxe (The Mercer). -
EFTA00021197.pdf
- Dataset : 8
- Type : correspondence (liste de contacts)
- Pages : 1
- Qualité texte : MAUVAISE (formatage erratique)
- Taille texte : 4 000 caractères
- Résumé : Liste de contacts incluant Bloomberg Mike, Bolsgelin Edward de, Booth Mark & Lauren, Barnes Peter, Baker Danny, Bakhtiar Shariar.
- Métadonnées critiques :
- Noms : Bloomberg, Bolsgelin, Booth, Barnes, Baker, Bakhtiar, Barnard, Beraaruen, Bismark.
- Lieux : New York (10022), Londres (SW3 3DD), Suisse (1170 Aubonne).
- Entreprises : Bloomberg LP, Mercer Hotel.
- ALERTE : Numéro de téléphone pour Bloomberg Mike :
001 212 318 2000 ext 2005. Présence de références à des sociétés offshore (ex: S&S Capital).
DOCUMENTS AVEC OCR_REQUIS (Texte natif absent ou <50 caractères)
(OCR nécessaire pour extraction)
| Fichier | Dataset | Type estimé | Pages | Remarques |
|---|---|---|---|---|
| EFTA00021202.pdf | 8 | unknown | 1 | Fichier corrompu ou image scannée. Contient des métadonnées mais pas de texte. |
| EFTA00021244.pdf | 8 | unknown | 1 | Même cas que EFTA00021202. |
| EFTA00021245.pdf | 8 | unknown | 1 | |
| EFTA00021246.pdf | 8 | unknown | 1 | |
| EFTA00021247.pdf | 8 | unknown | 1 | |
| EFTA00021248.pdf | 8 | unknown | 1 | |
| EFTA00021249.pdf | 8 | unknown | 1 | |
| EFTA00021251.pdf | 8 | unknown | 1 | |
| EFTA00021252.pdf | 8 | unknown | 1 | |
| EFTA00021266.pdf | 8 | unknown | 1 | |
| EFTA00021268.pdf | 8 | unknown | 1 | |
| EFTA00021269.pdf | 8 | unknown | 1 | |
| EFTA00021270.pdf | 8 | unknown | 1 | |
| EFTA00021273.pdf | 8 | unknown | 1 | |
| EFTA00021275.pdf | 8 | unknown | 1 | |
| EFTA00021277.pdf | 8 | unknown | 1 | |
| EFTA00021279.pdf | 8 | unknown | 1 | |
| EFTA00021281.pdf | 8 | unknown | 1 | |
| EFTA00021283.pdf | 8 | unknown | 1 | |
| EFTA00021286.pdf | 8 | unknown | 1 | |
| EFTA00021287.pdf | 8 | unknown | 1 | |
| EFTA00021288.pdf | 8 | unknown | 1 | |
| EFTA00021289.pdf | 8 | unknown | 1 | |
| EFTA00021290.pdf | 8 | unknown | 1 | |
| EFTA00021292.pdf | 8 | unknown | 1 | |
| EFTA00021293.pdf | 8 | unknown | 1 | |
| EFTA00021294.pdf | 8 | unknown | 1 |
Action : OCR requis pour tous les documents marqués unknown. Priorité élevée en raison de l'absence de texte exploitable.
COUVERTURE
- Total traités dans ce cycle : 30 documents
- Total cumulé DataSet_8 : 4 115 / 10 488 documents (39.3%)
- Prochaine priorité :
- OCR pour les 27 documents marqués unknown (EFTA00021202 à EFTA00021294).
- Vérification des doublons : Croiser les noms extraits (ex: Bloomberg Mike, Epstein Jeffrey) avec les bases de données existantes.
- Analyse des contacts : Identifier les liens entre les individus listés (ex: liens financiers, sociaux).
ERREURS ET ALERTES
- EFTA00021195.pdf à EFTA00021197.pdf
- Erreur : Qualité texte MAUVAISE due à un formatage chaotique et des caractères corrompus.
-
Action : OCR manuel requis pour nettoyer les données. ALERTE sur la présence de données personnelles sensibles.
-
EFTA00021202.pdf à EFTA00021294.pdf
- Erreur : ITEM WAS NOT SCANNED (preuve probablement supprimée ou non numérisée).
-
Action : ALERTE — Vérifier l'intégrité physique des fichiers originaux. Contacter l'équipe d'archivage pour confirmation.
-
Noms et contacts suspects
- Exemple : joannacheva!ier@hotmai!. c (email corrompu), saffval@aol.com (lien avec Saffron Aldridge).
- Action : Croiser avec les bases de données existantes (ex: Black Book, Flight Logs) pour identifier des correspondances.
RECOMMANDATIONS
- Pour les documents OCR_REQUIS :
- Utiliser Tesseract OCR avec un pré-traitement d'image (binarisation, déskewing) pour améliorer la précision.
-
Prioriser les documents avec des métadonnées exploitables (ex: noms, dates).
-
Pour les données sensibles :
- Masquer les numéros de téléphone et adresses email dans les rapports publics.
-
Archiver les données brutes dans un dossier sécurisé (accès restreint).
-
Pour les fichiers "ITEM WAS NOT SCANNED" :
- Vérifier les logs d'archivage pour confirmer la suppression.
- Si preuve de suppression illégitime, ALERTE à l'équipe juridique.
Prochain rapport : Après OCR des 27 documents unknown. Priorité à l'analyse des liens entre les contacts listés.
EpsteinFiles & Co — Doc Crawler