tesseract无法准确识别表格结构，因其是行级ocr引擎，不理解行列关系、合并单元格、边框及对齐方式，仅输出无结构的纯文本；需结合opencv预处理与单元格roi逐个识别。
为什么直接用 tesseract 无法准确识别表格结构
因为 tesseract 本身是行级 OCR 引擎，不理解表格的行列关系、合并单元格、边框或对齐方式。它默认把图片当作文本流处理，输出的是纯文本（带换行），没有坐标、单元格边界或结构信息。你看到的“识别出表格文字”，大概率只是按视觉行拼出来的字符串，列错位、空格混乱、标题和内容混在一起——这不是 bug，是设计使然。
- 表格有细线边框？
tesseract通常会忽略线条，甚至被干扰导致字符切分错误 - 单元格内文字居中/右对齐？OCR 输出仍按左到右顺序排列，原始对齐信息丢失
- 存在跨行或跨列合并？
tesseract完全无感知，只会把内容平铺进文本流
必须配合图像预处理 + 结构还原两步走
真正能落地的做法是：先用 OpenCV 或 Pillow 做图像增强和表格线检测，定位单元格区域；再对每个单元格 ROI（Region of Interest）单独调用 tesseract.image_to_string()。跳过这一步，直接喂整图给 tesseract，90% 的表格识别结果不可用于后续解析。
- 预处理关键操作：
cv2.threshold二值化（避免灰度干扰）、cv2.adaptiveThreshold处理光照不均、cv2.morphologyEx加粗表格线（用cv2.MORPH_RECT核）、cv2.HoughLinesP检测横竖线 - 结构还原核心：
cv2.findContours找矩形单元格，或用线交点生成网格坐标；过滤掉噪声小区域（面积 - OCR 调用建议：对每个单元格裁剪图传入
tesseract.image_to_string(img, config='--psm 6')，--psm 6表示“假设为单块均匀文本”，比默认psm 3更稳定
pytesseract 的 output_type=Output.DATAFRAME 能否替代手动定位
不能完全替代，但可辅助。启用 pytesseract.image_to_data() 或 image_to_data(..., output_type=pytesseract.Output.DATAFRAME) 可拿到每个识别字/词的 bounding box（left, top, width, height），进而按 y 坐标聚类行为、x 坐标聚类为列——这是轻量级结构还原方案。
- 优点：不用写 OpenCV 检测逻辑，适合规则较清晰、无复杂边框的表格（如 Excel 截图）
- 缺点：坐标精度受 DPI 和字体大小影响大；小字号或模糊文字 bbox 易偏移；无法区分“空单元格”和“未识别”
- 实操提示：务必先用
--dpi 300参数重设输入 DPI（config='--dpi 300 --psm 6'），否则left/top值单位错乱，列对齐失效
遇到中文表格时，tessdata 和字体配置的硬性要求
中文识别不是加个 lang='chi_sim' 就完事。Tesseract 对中文字体的笔画连通性敏感，而多数表格导出图使用无衬线字体（如微软雅黑、思源黑体），但默认 chi_sim.traineddata 主要训练自宋体样本，导致“一”“丁”“七”等短横笔画漏识严重。
- 必须指定语言包路径：
config='--tessdata-dir /path/to/tessdata --psm 6 -l chi_sim'，确保tessdata版本 ≥ 4.1.0（旧版对中文支持极弱） - 更稳妥做法：用
cv2.putText在预处理后、OCR 前，将每个单元格内文字区域用黑体加粗描边（模拟训练字体特征），能提升 20%+ 准确率 - 避坑：不要在
config中混用-l eng+chi_sim，多语言切换会显著降低中文召回；如需英文数字混合，优先用chi_sim，它本身已包含 ASCII 字符集
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
