使用pytesseract-OCR提取PDF特定数据部分失败的解决方案咨询

• 图像预处理强化文本特征
  小字体识别失败往往和图像对比度低、模糊有关，用OpenCV做二值化+降噪预处理，强化文本边缘：

  import cv2
  
  def preprocess_cell_image(img):
      # 转灰度图
      gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
      # 自适应二值化，适配不同光照下的小字体
      binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 13, 5)
      # 中值降噪，消除细碎噪声
      cleaned = cv2.medianBlur(binary, 3)
      return cleaned
  

  预处理后的图像能让OCR更清晰捕捉小字体的笔画细节。

• 针对小字体优化OCR参数
  全局调整psm/oem可能不够，给小字体单元格单独设置更聚焦的参数：

  import pytesseract
  
  # 单文本行模式+强制高DPI+瑞典语包
  small_font_config = r'--oem 3 --psm 7 -l swe --dpi 300'
  # 传入预处理后的图像
  text = pytesseract.image_to_string(preprocessed_img, config=small_font_config)
  

  psm=7强制OCR按单行文本识别，--dpi 300让引擎以高分辨率解析图像，适配小字体。

• 修正单元格裁剪范围
  检查裁剪后的单元格是否完全包含目标文本，小字体哪怕被裁切1像素都可能识别失败，给裁剪后的图像加边缘扩展：

  # 给裁剪后的图像上下左右各加10像素白边
  extended_img = cv2.copyMakeBorder(cropped_img, 10, 10, 10, 10, cv2.BORDER_CONSTANT, value=255)
  

  留白能避免OCR把文本边缘当成噪声过滤。

• 交叉验证其他OCR引擎
  如果pytesseract对目标字体适配差，试试EasyOCR这类对小字体更友好的引擎：

  from easyocr import Reader
  
  # 加载瑞典语模型
  reader = Reader(['sv'])
  result = reader.readtext(preprocessed_img)
  extracted_text = result[0][1].strip() if result else ""
  

  不同引擎的字体识别逻辑有差异，交叉验证能快速定位是引擎适配还是图像问题。

• 定制字体训练数据（终极方案）
  如果是小众特殊字体，通用训练集识别率低，用Tesseract的训练工具生成专属训练数据：

  1. 生成包含目标字体的样本图像，标注对应文本
  2. 用tesseract sample.png sample batch.nochop makebox生成标注文件
  3. 修正标注后，用unicharset_extractor生成字符集，再训练生成自定义语言包
     定制训练数据能彻底解决特定字体的识别问题。

内容的提问来源于stack exchange，提问作者David in sweden