PDF中表格的处理 （OCR)

一、对于表格，可以借助 Python 的pdfplumber库

● 找到对应页，创建 page 对象，然后调用 extract_table 方法，就可变读到这个表格转变成 tabel 对象
● 最后 tabel 对象的数据转换成 Dataframe 对象
● 将 df 对象 to_excel 转换成 excel 文件

import pdfplumber
import pandas as pdwith pdfplumber.open("file.pdf") as pdf:page = pdf.pages[0]  # 选择第一页table = page.extract_table()  # 提取表格数据
df = pd.DataFrame(table[1:], columns=table[0])  # 转换为DataFrame
df.to_excel("table_data.xlsx", index=False)  # 保存为Excel

二、对于图片，可以借助PyMuPDF库提取图片并保存

import fitzpdf = fitz.open("file.pdf")
for page_num in range(len(pdf)):page = pdf[page_num]img_list = page.get_images(full=True)for img_idx, img in enumerate(img_list):xref = img[0]base_image = pdf.extract_image(xref)image_bytes = base_image["image"]with open(f"page_{page_num}_img_{img_idx}.png", "wb") as f:f.write(image_bytes)

三、OCR 接口 处理 图片中的表格

OCR （Optical Character Recognition，光学字符识别）接口是处理扫描版 PDF（图片格式 PDF）或图片中表格的核心工具。
这类图片中的表格无法通过常规 PDF 解析工具（如上述说到的 pdfplumber）直接提取结构，需要先通过 OCR 将图像中的文字和表格结构转换为可编辑的文本/数据格式。

3.1 OCR 识别表格的核心原理

扫描版 PDF/图片中的表格无“行列结构信息”，OCR 接口通过两步（1,2）实现识别：

1. 表格结构分析：先识别图像中的“表格边框、单元格分割线”，确定表格的行数、列数、单元格位置。
2. 文本内容提取：对每个单元格内的图像文字进行 OCR 识别，将像素文字转化为可复制的文本。
3. 结构化输出：将“单元格位置”与“识别文本”对应，生成 excel、csv、json 等结构化格式，便于后续继续分析。

总结：通过表格的骨架找到表格位置和基本信息（行、列数等），再通过 OCR 识别图像中表格里面的文字，最后存储文本。

3.2 主流的 OCR 接口

目前主流的 OCR 接口分为两种，一种是无需本地部署适合快速开发的“云服务接口”，一种是需要本地部署适合隐私敏感场景的“开源本地接口”。

3.3 代码案例

3.3.1 腾讯云 OCR（云服务，上手快）

腾讯云 OCR 提供免费额度（新用户 1 万次/月），支持直接上传图片/PDF，输出 Excel 格式表格数据，步骤如下：

1. 准备工作：注册腾讯云（https://cloud.tencent.com/）账号，在“控制台-访问管理”中创建 secretID 和 SecretKey

2. 开通文字识别服务
   

3. 安装腾讯云 SDK：pip install tencentcloud-sdk-python

4. API 文档：https://cloud.tencent.com/document/api/866/34936#6.-.E9.94.99.E8.AF.AF.E7.A0.81

from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.ocr.v20181119 import ocr_client, modelsdef tencent_ocr_table(image_path, secret_id, secret_key):# 1. 配置API凭证和客户端cred = credential.Credential(secret_id, secret_key)httpProfile = HttpProfile()httpProfile.endpoint = "ocr.tencentcloudapi.com"  # OCR接口域名clientProfile = ClientProfile()clientProfile.httpProfile = httpProfileclient = ocr_client.OcrClient(cred, "ap-beijing", clientProfile)  # 地域选就近的（如ap-shanghai）# 2. 读取图片文件（转为base64格式，腾讯云要求）import base64with open(image_path, "rb") as f:image_base64 = base64.b64encode(f.read()).decode("utf-8")# 3. 构造请求参数（指定表格识别）req = models.TableOCRRequest()req.ImageBase64 = image_base64  # 若传PDF，用req.PdfFileBase64；支持单页PDF#req.OutputFormat = "xlsx"  # 输出格式：Excel/CSV/JSON （废弃了这个参数）# 4. 调用接口并获取结果resp = client.TableOCR(req)result = resp.to_json_string()print("识别结果（JSON）：", result)# 5. 提取Excel下载链接（腾讯云会生成临时Excel文件，有效期1小时）import jsonresp_dict = json.loads(result)excel_url = resp_dict["ExcelUrl"]print("表格Excel下载链接：", excel_url)# （可选）下载Excel到本地import requestsexcel_response = requests.get(excel_url)with open("table_result.xlsx", "wb") as f:f.write(excel_response.content)print("Excel已保存到本地：table_result.xlsx")# 调用函数（替换为你的SecretId、SecretKey和图片路径）
tencent_ocr_table(image_path="test_table.png",  # 扫描版表格图片（或单页PDF）secret_id="xxxxxxx",secret_key="xxxxxxx"
)

这个是需要付费的，所以这不演示了

3.3.2 PaddleOCR（开源本地，免费无联网）

PaddleOCR 是百度开源的 OCR 工具，中文识别精度高，表格识别模块支持本地部署，步骤如下：

1. 前置准备：
   ○ 安装依赖：pip install paddlepaddle paddleocr；
   ○ 自动下载预训练模型（首次运行时会自动下载，无需手动配置）。
2. 代码实现（识别 PDF / 图片中的表格）：

from paddleocr import PaddleOCR
import osdef paddle_ocr_table(input_path, output_dir="paddle_ocr_result"):# 1. 初始化OCR模型（指定语言为中文，开启表格识别）# use_angle_cls=True：自动纠正倾斜图片；table=True：开启表格识别ocr = PaddleOCR(use_angle_cls=True, lang="ch", table=True)# 2. 创建输出目录（保存识别结果和Excel）os.makedirs(output_dir, exist_ok=True)# 3. 调用表格识别接口（支持图片或多页PDF）# 若输入是PDF，会自动处理每一页；output excel_path：指定Excel保存路径result = ocr.ocr_table(img_path=input_path,output excel_path=os.path.join(output_dir, "table_result.xlsx"))# 4. 解析识别结果（result包含每个单元格的文本和位置）print("表格识别完成，结果如下：")for page_idx, page_result in enumerate(result):print(f"\n第{page_idx+1}页表格：")# page_result[0]：表格文本内容（二维列表，对应行和列）# page_result[1]：表格位置信息（暂用不到）table_text = page_result[0]for row_idx, row in enumerate(table_text):print(f"第{row_idx+1}行：", row)print(f"\nExcel文件已保存到：{os.path.join(output_dir, 'table_result.xlsx')}")# 调用函数（输入可以是图片路径，或多页PDF路径）
paddle_ocr_table(input_path="test_table.pdf",  # 支持多页PDF或图片output_dir="my_ocr_result"
)

四、优化点

4.1 图片预处理

如表格倾斜、模糊，可以先通过工具（如 OpenCV）进行‘倾斜矫正’‘降噪’‘增阿强对比度’
安装依赖：pip install opencv-python numpy matplotlib

import cv2
import numpy as np
import matplotlib.pyplot as pltdef preprocess_table_image(image_path, output_path="processed_table.jpg"):"""预处理表格图片：倾斜矫正、降噪、增强对比度:param image_path: 原始图片路径:param output_path: 处理后图片保存路径:return: 处理后的图片"""# 1. 读取图片并转为灰度图img = cv2.imread(image_path)if img is None:raise ValueError(f"无法读取图片: {image_path}")gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)plt.figure(figsize=(15, 10))plt.subplot(2, 3, 1)plt.imshow(gray, cmap='gray')plt.title('1. 原始灰度图')# 2. 降噪处理（根据图片质量选择合适的方法）# 方法1：中值滤波（适合去除椒盐噪声）denoised = cv2.medianBlur(gray, ksize=3)# 方法2：高斯滤波（适合去除高斯噪声）# denoised = cv2.GaussianBlur(gray, (3, 3), 0)plt.subplot(2, 3, 2)plt.imshow(denoised, cmap='gray')plt.title('2. 降噪后')# 3. 增强对比度（自适应阈值处理）# 适合光照不均匀的图片，将灰度图转为二值图（黑白）thresh = cv2.adaptiveThreshold(denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,  # 高斯加权计算阈值cv2.THRESH_BINARY_INV,  # 反二进制阈值（文字为白，背景为黑）11,  # 块大小2    # 常数，用于调整阈值)plt.subplot(2, 3, 3)plt.imshow(thresh, cmap='gray')plt.title('3. 对比度增强后')# 4. 检测表格轮廓，用于倾斜角度计算# 查找轮廓contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 筛选出面积最大的轮廓（假设是表格边框）if contours:largest_contour = max(contours, key=cv2.contourArea)# 计算最小外接矩形（获取倾斜角度）rect = cv2.minAreaRect(largest_contour)angle = rect[-1]# 调整角度（OpenCV角度范围处理）if angle < -45:angle = 90 + angleelif angle > 45:angle = angle - 90# 5. 倾斜矫正if abs(angle) > 0.5:  # 角度大于0.5度才进行矫正(h, w) = thresh.shape[:2]center = (w // 2, h // 2)# 计算旋转矩阵M = cv2.getRotationMatrix2D(center, angle, 1.0)# 执行旋转（保持原图大小）rotated = cv2.warpAffine(thresh, M, (w, h),flags=cv2.INTER_CUBIC,borderMode=cv2.BORDER_REPLICATE  # 边缘填充方式)else:rotated = threshplt.subplot(2, 3, 4)plt.imshow(rotated, cmap='gray')plt.title(f'4. 倾斜矫正后 (角度: {angle:.2f}°)')else:# 如果未检测到轮廓，直接使用阈值处理后的图片rotated = threshplt.subplot(2, 3, 4)plt.imshow(rotated, cmap='gray')plt.title('4. 未检测到轮廓，跳过矫正')# 6. 最终处理：去除小噪点（可选）# 创建结构元素kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (2, 2))# 形态学闭运算（填充小空洞）processed = cv2.morphologyEx(rotated, cv2.MORPH_CLOSE, kernel)# 形态学开运算（去除小噪点）processed = cv2.morphologyEx(processed, cv2.MORPH_OPEN, kernel)plt.subplot(2, 3, 5)plt.imshow(processed, cmap='gray')plt.title('5. 去除小噪点后')# 保存处理后的图片cv2.imwrite(output_path, processed)print(f"处理完成，图片已保存至: {output_path}")plt.tight_layout()plt.show()return processed# 示例用法
if __name__ == "__main__":# 替换为你的表格图片路径（支持倾斜、模糊的表格图片）input_image = "tilted_blurry_table.jpg"# 执行预处理processed_img = preprocess_table_image(input_image)

4.2 选择合适的接口

中文表格优先使用 PaddleOCR 或百度云 OCR；
英文/多语言 表格 有限用阿里云或者谷歌的 OCR
复杂表格（合并单元格，嵌套表格），优先使用阿里云的云服务接口

4.3 ‘可编辑’ PDF 和 ‘扫描版’ PDF

可编辑（如 Word 导出的 PDF），优先使用 pdfplumber 直接提取表格，无需使用 OCR
扫描版的 PDF，其本质是图片，需要使用 OCR 接口