首页 / 新闻资讯 / Python 识别图片表格：从图像到结构化数据

Python 识别图片表格：从图像到结构化数据

发布时间：2026-09-02 作者：卢芳 阅读量：25

1. 引言

在日常工作中，经常遇到需要从扫描件、截图或照片中提取表格数据的情况。手动输入效率低且易出错。借助 Python 的强大生态，我们可以自动化识别图片中的表格，并将数据转换为可用的电子表格格式。

2. 技术栈概览

  • OpenCV：图像预处理，如灰度化、二值化、去噪、边缘检测等。
  • Pytesseract：Tesseract OCR 的 Python 封装，用于文字识别。
  • Tabula-py：封装了 Tabula，专用于 PDF 中表格提取，但对清晰图片也有一定效果。
  • Pandas：数据处理和最终输出。

3. 核心步骤

3.1 图像预处理

首先，将图片转换为灰度图，使用阈值或自适应阈值进行二值化，去除噪声。例如：

import cv2
img = cv2.imread('table.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

3.2 表格线检测

通过霍夫变换或形态学操作检测水平和垂直线，从而定位单元格。常用方法：先腐蚀膨胀提取直线，再找到交点。例如：

horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40,1))
horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel)
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,40))
vertical = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel)

3.3 OCR 识别单元格内容

根据检测到的表格线，提取每个单元格的子图像，然后使用 Pytesseract 识别文字。注意配置语言和 PSM 模式：

import pytesseract
from PIL import Image
cell_text = pytesseract.image_to_string(cell_img, lang='eng+chi_sim', config='--psm 6')

3.4 组合结构化数据

将识别的文本按行列位置填入 Pandas DataFrame，最后导出为 CSV 或 Excel 文件。

4. 示例代码框架

import cv2
import numpy as np
import pandas as pd
import pytesseract

def extract_table_from_image(image_path):
    # 读取并预处理
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
    
    # 检测表格线（简化）
    # ... 实际需复杂处理
    
    # 假设已得到表格单元格坐标列表 cells = [(x1,y1,x2,y2), ...]
    data = []
    for (x1,y1,x2,y2) in cells:
        cell_img = img[y1:y2, x1:x2]
        text = pytesseract.image_to_string(cell_img, config='--psm 6').strip()
        data.append(text)
    
    # 按行列重新组织，假设已知行数和列数
    df = pd.DataFrame(np.array(data).reshape(rows, cols))
    df.to_csv('output.csv', index=False)
    return df

5. 进阶技巧

  • 多页表格：使用 tabula-py 处理 PDF 中的表格更为直接。
  • 复杂表格（合并单元格）：需要更复杂的线检测与逻辑判断。
  • 深度学习：使用 CNN 或专用模型（如 TableNet）提高准确率。

6. 总结

使用 Python 识别图片表格虽有一定挑战，但通过图像处理、OCR 和表格结构分析，可以实现较高的自动化程度。根据图片质量，可能需要反复调整预处理参数。建议从简单清晰的图片开始尝试，逐步优化。

更多资源：Tesseract OCR，Tabula。

相关文章