如何将PDF中的图片格式垃圾清运表转换为机器可读数据？

1. 本地开源工具组合方案 #

先提取PDF中的图片，再通过OCR+结构化处理转换：

• 用pdfimages命令提取PDF内的所有图片：

  pdfimages -all Pabianice-Gmina-7.pdf schedule_img
  

• 使用Tesseract OCR（需安装波兰语语言包）进行识别，开启表格适配模式：

  tesseract schedule_img-000.png schedule_output --oem 3 --psm 6 -l pol
  

• 用Python进一步结构化数据（结合OpenCV预处理提升准确率）：

  import cv2
  import pytesseract
  import pandas as pd
  
  # 图片预处理：降噪、二值化
  img = cv2.imread('schedule_img-000.png')
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
  
  # OCR识别并输出结构化数据
  custom_config = r'--oem 3 --psm 6 -l pol'
  ocr_data = pytesseract.image_to_data(thresh, config=custom_config, output_type='data.frame')
  
  # 过滤无效行并整理成行数据
  valid_rows = ocr_data[ocr_data.conf != -1]
  line_texts = valid_rows.groupby(['page_num', 'block_num', 'line_num'])['text'].apply(' '.join).tolist()
  
  # 拆分列生成DataFrame（可根据表格实际结构调整拆分规则）
  df = pd.DataFrame([line.split() for line in line_texts if line.strip()])
  print(df)
  

2. 商业OCR服务的精准识别 #

针对复杂表格，可使用专门的文档分析服务：

• Google Cloud Vision API的DOCUMENT_TEXT_DETECTION：能识别表格单元格的坐标与内容，返回结构化的JSON数据，可通过坐标分组生成表格。
• AWS Textract：原生支持表格提取，直接输出包含行、列、单元格内容的结构化数据，无需额外处理坐标。

3. 手动辅助修正（小表格场景） #

若工具识别仍有误差，可采用快速修正流程：

1. 将OCR识别的纯文本导出到Excel；
2. 使用「文本分列」功能，按表格的列分隔规则（空格/固定宽度）拆分内容；
3. 手动修正识别错误的特殊字符（如波兰语变音符号）和错位内容。

内容的提问来源于stack exchange，提问作者Vertig0