求推荐Python OCR工具及技巧：处理老旧扫描表格生成CSV

推荐的Python OCR包 #

• Tesseract + pytesseract：开源可定制性强，支持自定义字符训练，是处理老旧扫描文档的首选工具
• EasyOCR：开箱即用，无需复杂配置，对低分辨率、模糊文本的基础识别表现稳定
• PaddleOCR：自带表格结构识别模块，对中文和数字的鲁棒性出色，适合批量处理表格类扫描件

针对核心问题的处理技巧 #

1. 数字可读性差导致识别不准确 #

预处理优化

• 灰度化：将彩色扫描图转为灰度图，减少干扰：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
• 自适应阈值二值化：自动区分数字与背景，解决扫描明暗不均问题：cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
• 降噪：用中值滤波去除扫描斑点：cv2.medianBlur(thresh, 3)
• 字符增强：通过形态学膨胀操作强化数字边缘：cv2.dilate(blur, cv2.getStructuringElement(cv2.MORPH_RECT, (2,2)), iterations=1)

OCR配置优化

• 指定字符白名单：限制Tesseract仅识别数字和必要符号，避免误识别：--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789.,
• 自定义训练：若数字磨损严重，可使用Tesseract训练工具制作专属数字数据集，进一步提升识别精度

2. 表格线被识别为/、(、)等乱码字符 #

预处理阶段去除表格线

• 形态学操作消线：创建水平线/垂直线核，通过开运算去除表格线条：

  # 去除水平线
  horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40,1))
  detect_horizontal = cv2.morphologyEx(blur, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
  cnts = cv2.findContours(detect_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
  for c in cnts:
      cv2.drawContours(img, [c], -1, (255,255,255), 2)
  

• 使用专业表格OCR：直接调用PaddleOCR的表格识别接口，自动提取表格结构并忽略线条

后处理修正

• 字符黑名单：在Tesseract配置中屏蔽易误识别的字符：-c tessedit_char_blacklist=()/
• 正则替换：批量清理识别结果中的乱码字符：re.sub(r'[()/]', '', text)

实操示例代码 #

import cv2
import pytesseract
import csv
import re

# 读取扫描图片
img = cv2.imread('old_scanned_table.jpg')
# 预处理流程
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
blur = cv2.medianBlur(thresh, 3)

# 去除表格水平线
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40,1))
detect_horizontal = cv2.morphologyEx(blur, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
cnts = cv2.findContours(detect_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
for c in cnts:
    cv2.drawContours(img, [c], -1, (255,255,255), 2)

# OCR识别，配置数字白名单
custom_config = r'--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789.,'
raw_text = pytesseract.image_to_string(img, config=custom_config)
# 后处理清理乱码
clean_text = re.sub(r'[()/]', '', raw_text)

# 转换为CSV格式写入文件
rows = [line.strip().split() for line in clean_text.split('\n') if line.strip()]
with open('digitized_table.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerows(rows)

内容的提问来源于stack exchange，提问作者Aron Kübler