使用EasyOCR提取表格转CSV时行列错位问题如何解决

核心问题根源 #

行对齐失败、列错位本质是三个问题：直接拿原始坐标硬匹配没有做容差聚类、漏了空单元格导致内容位移、没有处理OCR结果的文本块粘连/拆分错误，以下是可直接落地的操作步骤：

• 行聚类修正：不要直接用文本块的左上y坐标判断是否同行，先给每个识别出的文本块计算垂直中心y值，计算方式为(文本块左上y坐标 + 文本块右下y坐标) / 2。统计所有文本块的平均高度，取平均高度的1/2作为行容差阈值，两个文本块的垂直中心y差小于阈值就归为同一行，最后同一行内的内容按x坐标从小到大排序。这一步能解决80%的行错位问题——同一条行内的文字因为字号差异、角标、识别偏移，y值差通常在5-15像素，硬卡y值相等必然错行。
• 列基准校准：不要直接按x坐标硬分列。带边框的表格先用OpenCV霍夫线检测提取所有竖边框的x坐标作为列分隔线；无边框表格把所有文本块的左上x坐标做密度聚类，密度峰值点就是列的左边界，每列设置宽度为相邻两个列分隔线的间距，取列间距1/3作为列容差。同一行内的文本块，x中心落在哪个列的区间内就归到对应列，没有内容的列直接填空字符串，绝对不能跳过空单元格，否则后面所有列都会往前错位。
• 文本块拆分合并修正：EasyOCR常出现两类识别错误：一是相邻两个单元格的短文本被识别成同一个文本块，二是同一个单元格内的换行文本被拆成两个独立文本块。处理逻辑：如果单个文本块的x范围横跨2条及以上列分隔线，就按列线位置把文本块按宽度比例拆分，内容对应分到不同列；如果两个文本块落在同一列区间，垂直中心差小于单倍行高，就把内容合并到同一个单元格，不要拆成两行。
• CSV导出校验：导出前先统一校验每一行的单元格数量，必须和总列数完全一致，缺项补空。导出时统一用UTF-8编码，如果单元格内容里包含逗号、换行符，自动给内容包裹双引号，避免CSV解析器把单元格内部的符号误判为列分隔符。
• 坐标缩放对齐：如果要同步生成可搜索PDF，一定要先算缩放系数：OCR识别时用的图片尺寸和原PDF页面尺寸的宽、高比例，所有写入PDF的文本坐标都要乘对应缩放系数，不要直接把识别图的坐标原样写到PDF里，否则会出现整体偏移。

避坑提醒：绝对不要直接按EasyOCR的返回顺序组装表格，OCR默认返回顺序是按文本块的识别置信度排序的，不是页面从上到下、从左到右的阅读顺序，必须重新按行、列坐标排序后再拼接内容。

内容的提问来源于stack exchange，提问作者mahya