I need an OCR machine that can extract all text from a PDF file. We often receive files in PDF format that are essentially just images without text, which is why our own “PDF reader” in n8n doesn’t always work. I need it to do that.
It’s about receiving large annual reports with lots of columns in PDF format, and we need data from some of those columns.
For example, like in the image, where we need to use these columns as JSON.
I am pretty new, so explain in it to me, like I’m a child 
Since it’s an image you need an OCR node as you said. n8n Does not have an official node but there is a community one: n8n-nodes-tesseractjs
After extracting the text from image you can use different methods to filter them. I always use a ‘Code’ node to do so but you can use an AI node too if you don’t mind spending extra tokens.
In my opinion Mistral AI’s OCR tool is the best out there right now. Ideally you would use their API in a HTTP Request node to do your ocr transformation. If the data is sensitive, you can get a special license from them to use a private on prem instance for better privacy
If you need an example then I can build a demo
If you just need to turn those image‑based PDFs into actual text/structured data (like JSON), try Mathpix: https://mathpix.com/pdf-conversion. It does OCR on scanned PDFs and can extract tables/columns cleanly, then you can grab the data as JSON for n8n. Way less painful than trying to hack it with a basic PDF reader.
Nous pouvons utiliser les modèles de vision d’OpenAI/Ollama pour analyser l’image, cela extraira tout. Et ensuite, nous pouvons conserver les données requises.
Pour les tableaux denses dans les PDF de rapports annuels, les modèles de vision (GPT-4o ou Gemini Flash) fonctionnent bien, mais la clé est le prompt. Passez l’image avec quelque chose comme : "Extrayez toutes les données de ce tableau et renvoyez un tableau JSON où chaque ligne est un objet avec les en-têtes de colonnes comme clés." - cela vous permet d’obtenir de manière fiable une sortie structurée sans post-traitement. Pour les PDF multipages, divisez d’abord le fichier en images de pages individuelles en utilisant le nœud Extract Document Content ou un nœud Code, puis exécutez chaque page par le biais du modèle de vision et fusionnez les résultats à la fin.
L’API Mistral OCR dispose d’un niveau gratuit (via leur console API à console.mistral.ai). Pour une option entièrement gratuite et auto-hébergée, le nœud communautaire n8n-nodes-tesseractjs fonctionne bien pour les PDF basés sur des images - vous pouvez l’associer à un nœud Convert to File pour passer le binaire. Si vous voulez une API cloud avec un niveau gratuit généreux, Google Document AI est également une option, mais la configuration est plus complexe que l’approche par appel HTTP unique de Mistral.
