如何将包含表格数据的JPEG/PNG/BMP图片内容读取到pandas dataframe中

目前主流实现逻辑是结合表格结构识别与OCR文字识别提取表格的行列布局和单元格内容，再转换为DataFrame格式，以下是可直接落地的两种方案：

方案1：基于PaddleOCR快速实现（推荐，中文表格识别精度高） #

该方案无需自行处理表格行列分割逻辑，工具库已封装完整识别能力，适合绝大多数常规场景：

• 安装依赖
  执行命令安装所需库：
  pip install paddlepaddle paddleocr pandas
• 核心实现代码

from paddleocr import PaddleOCR
import pandas as pd

# 初始化OCR模型，开启方向分类适配倾斜图片，lang可根据表格语言调整为en/zh等
ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False)
# 替换为本地图片路径，支持jpeg、png、bmp等格式
img_path = 'test_table.jpeg'

# 执行识别
ocr_result = ocr.ocr(img_path, cls=True)
# 提取每行的单元格文本
table_rows = []
for page in ocr_result:
    for line in page:
        row_content = [cell[1][0] for cell in line]
        table_rows.append(row_content)

# 转换为DataFrame，若第一行为表头则用第一行作为列名
df = pd.DataFrame(table_rows[1:], columns=table_rows[0])
# 可直接导出为csv或做后续处理
# df.to_csv("output_table.csv", index=False)
print(df)

方案2：基于Tesseract + TableTransformer 实现（适合自定义开发场景） #

如果你需要对识别逻辑做自定义调整，可使用该组合方案：

• 安装依赖
  1. 先安装系统级Tesseract OCR引擎，对应系统版本可直接搜索官方安装方法
  2. 安装Python依赖：
     pip install pytesseract table-transformers pandas pillow opencv-python
• 核心逻辑：先调用TableTransformer检测表格的行列坐标边界，裁剪出单个单元格后调用Tesseract识别单元格内容，最后按行列顺序拼接为二维列表，即可转换为DataFrame。

注意：如果识别的图片存在倾斜、模糊、背景杂乱的情况，可提前用OpenCV做二值化、倾斜校正、去噪等预处理操作，能大幅提升识别准确率。

内容的提问来源于stack exchange，提问作者technophile_3