如何提升图像嵌入型PDF文件的表格数据提取准确率？

你当前用pdf2image+pytesseract实现了基础的图像PDF文本提取，但针对表格场景，需要从图像预处理、OCR参数调优、表格结构解析这几个维度优化，具体方案如下：

你的现有代码 #

from pdf2image import convert_from_path
import pytesseract
import csv
from pytesseract import Output

# 将PDF转换为图片
images = convert_from_path('input.pdf')

# 创建CSV文件
csv_file_path = 'output.csv'
with open(csv_file_path, 'w', newline='', encoding='utf-8') as csv_file:
  csv_writer = csv.writer(csv_file)

  # 遍历每张图片
  for i, image in enumerate(images):
    # 保存图片
    image_path = f'page_{i}.png'
    image.save(image_path, 'PNG')

    # 使用pytesseract从图片中提取文本
    text = pytesseract.image_to_string(image_path, output_type=Output.STRING)

    # 打印提取的文本
    print(text)

    # 将文本写入CSV文件
    csv_writer.writerow([text])

print(f'CSV文件已生成，路径：{csv_file_path}')

一、图像预处理：消除干扰，提升OCR识别基础 #

图像质量是OCR准确率的核心，先对PDF转换后的图片做预处理：

• 灰度转换+二值化：去除颜色干扰，强化文本与背景的对比度

  import cv2
  import numpy as np
  
  def preprocess_image(image_path):
      # 读取图片并转灰度
      img = cv2.imread(image_path)
      gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
      # 自适应二值化（适合光照不均的情况）
      thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
      # 保存预处理后的图片
      processed_path = f'processed_{image_path}'
      cv2.imwrite(processed_path, thresh)
      return processed_path
  

  在你的代码中，替换image_path为预处理后的路径再进行OCR。

• 降噪处理：针对有斑点、划痕的图片，用高斯模糊或中值滤波去除噪点

  # 在预处理函数中添加：
  blur = cv2.GaussianBlur(gray, (3,3), 0)
  # 或者中值滤波（适合椒盐噪点）
  blur = cv2.medianBlur(gray, 3)
  

• 倾斜校正：如果表格存在倾斜，先检测并校正

  def correct_skew(image):
      coords = np.column_stack(np.where(image > 0))
      angle = cv2.minAreaRect(coords)[-1]
      if angle < -45:
          angle = -(90 + angle)
      else:
          angle = -angle
      (h, w) = image.shape[:2]
      center = (w // 2, h // 2)
      M = cv2.getRotationMatrix2D(center, angle, 1.0)
      rotated = cv2.warpAffine(image, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
      return rotated
  

  把这个步骤加入预处理流程，确保表格水平对齐。

二、Tesseract参数调优：针对表格场景优化识别逻辑 #

默认的Tesseract参数更适合普通文本，针对表格需要调整：

• 指定语言：如果是中文表格，必须指定语言包，避免乱码

  text = pytesseract.image_to_string(processed_path, lang='chi_sim+eng', output_type=Output.STRING)
  

  注意要提前安装对应语言的Tesseract语言包。

• 调整PSM（页面分割模式）：表格是结构化文本，推荐使用PSM 6（假设页面是一个统一的文本块）或PSM 11（稀疏文本，适合有空白单元格的表格）

  text = pytesseract.image_to_string(processed_path, lang='chi_sim+eng', 
                                     config='--psm 6 --oem 3', output_type=Output.STRING)
  

  --oem 3表示使用默认的OCR引擎模式。

• 获取结构化坐标数据：不直接提取纯文本，而是获取每个字符的位置信息，方便后续按表格行列拆分

  # 输出包含坐标的字典
  data = pytesseract.image_to_data(processed_path, lang='chi_sim+eng', output_type=Output.DICT)
  # 可以遍历data中的'left', 'top', 'width', 'height', 'text'字段，按行分组
  

三、表格结构解析：按行列拆分数据，生成规范CSV #

纯文本提取无法区分表格的行列，需要基于坐标或线条检测来拆分：

• 基于坐标分组行：利用Tesseract返回的top坐标，将垂直距离相近的字符归为同一行，再按left坐标排序得到列数据

  def parse_table_from_data(data):
      rows = []
      current_row = []
      prev_top = -100  # 初始阈值
      # 遍历每个识别结果
      for i in range(len(data['text'])):
          text = data['text'][i].strip()
          if not text:
              continue
          top = data['top'][i]
          # 当垂直距离超过阈值时，新建一行
          if abs(top - prev_top) > 10:
              if current_row:
                  rows.append(current_row)
              current_row = [text]
              prev_top = top
          else:
              current_row.append(text)
      if current_row:
          rows.append(current_row)
      return rows
  

  然后把rows直接写入CSV，就能得到行列分明的表格数据。

• OpenCV检测表格线条：如果表格有明显边框，先检测水平线和垂直线，分割出每个单元格，再对单个单元格做OCR，准确率更高

  def detect_table_cells(image_path):
      img = cv2.imread(image_path)
      gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
      thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
      # 检测水平线
      horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40,1))
      detect_horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
      # 检测垂直线
      vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,40))
      detect_vertical = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel, iterations=2)
      # 合并线条
      combined = cv2.addWeighted(detect_horizontal, 0.5, detect_vertical, 0.5, 0.0)
      # 找到轮廓
      contours, _ = cv2.findContours(combined, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
      # 按坐标排序轮廓（先按行，再按列）
      contours = sorted(contours, key=lambda c: (cv2.boundingRect(c)[1], cv2.boundingRect(c)[0]))
      cells = []
      for cnt in contours:
          x, y, w, h = cv2.boundingRect(cnt)
          if w > 20 and h > 20:  # 过滤小轮廓
              cell_img = img[y:y+h, x:x+w]
              # 对单元格做OCR
              cell_text = pytesseract.image_to_string(cell_img, lang='chi_sim+eng').strip()
              cells.append(cell_text)
      # 按表格行列数拆分cells（需要提前知道列数，或者动态计算）
      return cells
  

四、进阶工具组合：针对复杂表格的替代方案 #

如果上述优化仍不够，可尝试专门的表格OCR工具：

• PaddleOCR表格识别：百度开源的OCR工具，内置表格结构解析模型，能直接输出行列结构化数据
• EasyOCR：轻量开源OCR，支持多语言，配合坐标处理也能实现表格提取

内容的提问来源于stack exchange，提问作者Xian Klein