请求帮助：使用Python将图片转换为dataframe

准备工作 #

先安装必要的Python包：

pip install pytesseract pillow pandas

还需安装Tesseract OCR引擎：

• Windows：前往Tesseract官方页面下载安装包，安装后将其路径添加到系统环境变量
• Ubuntu/Debian：执行sudo apt-get install tesseract-ocr
• macOS：执行brew install tesseract

完整代码 #

import pytesseract
from PIL import Image
import pandas as pd

# Windows用户需指定Tesseract安装路径，其他系统可注释此行
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 加载目标图片
img = Image.open('1nr0M.png')  # 替换为你的图片本地路径或下载后的路径

# 图片预处理：转灰度以提升OCR识别精度
img_gray = img.convert('L')

# 提取图片中的表格文本，按行结构化输出
ocr_result = pytesseract.image_to_data(img_gray, output_type=pytesseract.Output.DATAFRAME)

# 过滤空文本，仅保留有效内容
valid_text = ocr_result[ocr_result['text'].notna() & (ocr_result['text'].str.strip() != '')]

# 按识别块分组，拼接每行的单元格内容
grouped_rows = valid_text.groupby('block_num')['text'].apply(lambda x: '\t'.join(x)).tolist()

# 拆分表头与数据行
header = grouped_rows[0].split('\t')
data_rows = [row.split('\t') for row in grouped_rows[1:]]

# 构建DataFrame
df = pd.DataFrame(data_rows, columns=header)

# 查看结果
print(df)

优化提示 #

如果识别结果有误差，可尝试以下调整：

• 对图片进行二值化处理（如img_gray.point(lambda x: 0 if x < 128 else 255, '1')）
• 在image_to_data中添加配置参数config='--psm 6'，强制Tesseract按单块文本识别
• 手动修正识别错误的单元格内容

内容的提问来源于stack exchange，提问作者Seydou GORO