利用img2table库实现对表格图像进行识别，将结果保存到dataframe中

要实现这个任务，需要使用Python中的OpenCV和Pandas库。具体步骤如下： 1. 首先，使用OpenCV读取图片，将其转换为灰度图像并进行阈值处理，以便于检测表格线。 ```python import cv2 import numpy as np # 读取图片并转换为灰度图像 img = cv2.imread('image.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 应用阈值处理，以便于检测表格线 thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1] ``` 2. 检测表格线。我们可以使用HoughLinesP函数来检测直线，然后筛选出水平和垂直线。 ```python # 检测表格线 horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 1)) vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 25)) horizontal_lines = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel) vertical_lines = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel) # 筛选出水平和垂直线 lines = cv2.HoughLinesP(horizontal_lines + vertical_lines, 1, np.pi/180, 100, minLineLength=100, maxLineGap=10) ``` 3. 将检测到的表格线画出来，并将表格线的坐标存储在列表中。 ```python # 画出检测到的表格线 for line in lines: x1, y1, x2, y2 = line[0] cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 存储表格线的坐标 horizontal_points = [] vertical_points = [] for line in lines: x1, y1, x2, y2 = line[0] if abs(x1 - x2) < 10: vertical_points.append((x1, y1)) elif abs(y1 - y2) < 10: horizontal_points.append((x1, y1)) ``` 4. 根据表格线的坐标，将表格分割成单元格。 ```python # 对表格线的坐标进行排序 horizontal_points = sorted(horizontal_points, key=lambda x: x[1]) vertical_points = sorted(vertical_points, key=lambda x: x[0]) # 将表格分割成单元格 cells = [] for i in range(len(horizontal_points) - 1): for j in range(len(vertical_points) - 1): x1, y1 = vertical_points[j] x2, y2 = vertical_points[j+1] x3, y3 = horizontal_points[i] x4, y4 = horizontal_points[i+1] cell = img[y3:y4, x1:x2] cells.append(cell) ``` 5. 使用Pandas库将单元格数据转换为Excel文件。 ```python import pandas as pd # 将单元格数据转换为DataFrame data = [] for cell in cells: gray_cell = cv2.cvtColor(cell, cv2.COLOR_BGR2GRAY) text = pytesseract.image_to_string(gray_cell, lang='eng', config='--psm 6') data.append(text.strip()) df = pd.DataFrame(np.array(data).reshape(len(horizontal_points) - 1, len(vertical_points) - 1)) # 将DataFrame写入Excel文件 df.to_excel('table.xlsx', index=False, header=False) ``` 完整代码如下：

该段代码是一个利用Python结合OpenCV、Tesseract OCR以及Pandas库，从图像文件中识别并提取文本内容，并尝试筛选出包含“未付”关键词的数据行的示例。如果遇到无法正常运行的问题，则可能是由以下几个原因导致： 1. **依赖环境配置问题**：确保`cv2`(即opencv-python)、`pytesseract`及`tesseract-ocr`已正确安装并且路径设置准确无误；对于Windows用户来说，默认情况下需要单独下载[Tesseract-OCR](https://github.com/tesseract-ocr/tesseract)，并将它的可执行文件位置指派给变量`pytesseract.pytesseract.tesseract_cmd`。 2. **图片读取失败**：确认提供的`image_path`是否指向了一个有效的图像资源。可以添加检查点验证图像加载成功与否： ```python if image is None: raise ValueError("未能正确加载指定路径下的图像") ``` 3. **字符编码问题**：当源图像是中文或其他非ASCII字符集构成时，在某些操作系统环境下可能会面临字符编码错误。你可以通过调整`tesseract`命令参数来优化这一状况： - 使用简体中文语言包（假设已经安装）:`text = pytesseract.image_to_string(gray, lang='chi_sim')` 4. **数据预处理不足**：原始图像质量差（如模糊不清）、存在干扰元素或是表格线等问题都可能导致OCR结果不佳。考虑加入额外步骤对输入图片进行增强处理（例如二值化阈值操作），以提高转换精度。 5. **pandas DataFrame构造逻辑需改进**：当前直接按空格分隔每行生成列的方式过于简单粗暴，容易造成数据错位或丢失有效信息的情况发生。针对结构化的表格文档建议采用更智能的方法解析字段边界，比如借助正则表达式匹配特定模式，或者基于表单设计特点自定义分割规则等手段完善函数`process_text_to_dataframe()`的功能实现。 下面提供一段经过上述优化后的参考版本供您测试： ```python import cv2 import pytesseract from pathlib import Path # 指定 Tesseract 可执行程序的位置 (请根据实际情况修改) TESSERACT_CMD_PATH = r'D:\ort\tesseract.exe' if not Path(TESSERACT_CMD_PATH).exists(): raise FileNotFoundError(f"找不到Tesseract位于{TESSERACT_CMD_PATH}") def extract_text_from_image(image_path): """ 加载图像 -> 转换灰度空间 -> 文字检测与识别 参数说明: @param str image_path 图像存储绝对地址 返回值: string 提取出的所有可见字符串序列 """ try: img_array = cv2.imread(image_path) # 验证是否能够获取到合法矩阵表示形式 if img_array is None: raise IOError('无效目标文件') processed_img = preprocess(img_array) detected_texts = pytesseract.image_to_string(processed_img, config=f'-l chi_sim --psm 6', timeout=10) return detected_texts.strip() except Exception as excepiton_msg: print(str(excepiton_msg)) return '' def preprocess(image_matrix): """图像预处理流程""" grayscale_version = cv2.cvtColor(image_matrix,cv2.COLOR_BGR2GRAY) _, binary_result=cv2.threshold(grayscale_version,thresh=180,maxval=255,type=cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) denoised_image=cv2.fastNlMeansDenoising(binary_result,h=7) return denoised_image def process_text_to_dataframe(raw_content): from io import StringIO import pandas as pd modified_raw_lines = [] for raw_line in raw_content.splitlines(): trimmed_item = ' '.join([word for word in raw_line.split()]) if len(trimmed_item)>0:modified_raw_lines.append(trimmed_item + '\n') sio_obj =StringIO(''.join(modified_raw_lines)) dataframe_representation=pd.read_csv(sio_obj,names=['rawdata'],header=None,error_bad_lines=False,warn_bad_lines=True,dtype=str) split_into_columns=dataframe_representation['rawdata'].str.extractall(r'\s*(?P<column>\S+)\s*', expand=False)[0].groupby(level=0).apply(list).reset