一、OCR 给的不是表格，是一堆框

很多人以为 OCR 直接吐表格。不是。它吐的是「某个位置有什么字」的列表，类似 (x=30, y=60, 研发部)。 行列结构是算出来的。这一步叫「表格结构还原」，它跟 OCR 是两件事，可以分开做、分开评。 Demo 造了 17 个框：3 个表头加 4 行 3 列的数据，再加一个标题和一个页码。 真实场景里框会更多、更乱：合并单元格、跨行表头、斜线表头、框重叠、框切碎——这些都要额外处理。

二、第一步：按 y 聚成行

把 y 坐标相近的框归成一行。Demo 用的阈值是 18 像素：相邻 y 差小于等于 18 就算同一行。 17 个框聚成 7 行：标题 1 行、表头 1 行、数据 4 行、页码 1 行。 这个阈值怎么定？看行高。行高 40 像素的话，阈值取行高的一半左右比较稳。 取太小会把一行拆成两行，取太大会把两行并成一行。 聚完之后按 x 排序，一行里的字就自然从左到右排好了。

三、第二步：剔噪声、按 x 聚成列

标题和页码各占一行，而且只有 1 个框。所以规则很简单：整行只有 1 个框的，当噪声剔掉。 Demo 剔掉 2 行，剩 5 行。这个规则有风险——真表格里也可能有「合计：100」这种独占一行的单元格。 所以实际系统还要看这一行有没有「合计」「总计」这类关键词。 然后按 x 聚列，阈值 40 像素。三个 x 值 30、180、300 相距很远，干净地聚成 3 列。 两道阈值就是这套方法的全部参数。 调错了就串行串列，而且错得很隐蔽——表格看着还挺正常，就是内容错位了。

四、15 个格子全对，但别高兴太早

还原出的表格 15 个格子全部正确。 但这个 15 全对是我自己造数据时就注定的事——坐标是我给的，间隔是我设的。 真实 OCR 的输出会带坐标误差（±2 像素很常见），还会漏字、错字、把「38」认成「3B」。 这些误差都会传导到结构还原这一步。 所以要评这套方法，得分开评两段：识别准确率（字对不对）和结构准确率（行列对不对）。 混在一起评，出了问题不知道改哪儿。 这也是所有流水线系统的通用原则：每一段单独可测，否则整条链就是个黑盒。

五、动手 Demo：从一堆文字框还原行列结构

按固定坐标造 17 个 OCR 文字框（含标题和页码两个噪声）；按 y 差 18 像素聚成行，打印每行的框； 剔掉单框行；再按 x 差 40 像素聚成列，把每个框填进对应格子；最后和真值逐格对比，算格子正确率。

def group_by_y(boxes, tol=18):
    ys = sorted({b[1] for b in boxes})
    groups, cur = [], [ys[0]]
    for v in ys[1:]:
        if v - cur[-1] <= tol:
            cur.append(v)
        else:
            groups.append(cur)
            cur = [v]
    groups.append(cur)
    return groups

实跑输出：

--------------------------------------------------------------------
中文表格识别：从一堆文字框还原行列结构
--------------------------------------------------------------------
  OCR 输出                 17 个文字框（含标题和页码）
  框的格式                 (x 坐标, y 坐标, 文字)
  按 y 聚类成行            7 行
  第 1 行                  (x=20) 某某公司 2026 年部门预算表
  第 2 行                  (x=30) 部门 | (x=180) 人数 | (x=300) 预算（万元）
  第 3 行                  (x=30) 研发部 | (x=180) 42 | (x=300) 380
  第 4 行                  (x=30) 市场部 | (x=180) 18 | (x=300) 260
  第 5 行                  (x=30) 生产部 | (x=180) 76 | (x=300) 510
  第 6 行                  (x=30) 财务部 | (x=180) 9 | (x=300) 95
  第 7 行                  (x=330) 第 1 页

  剔除单框行               剩下 5 行（去掉 2 行噪声）
  按 x 聚类成列            3 列

  还原出的表格：
  部门     人数   预算（万元）
  ---------------------------
  研发部   42     380
  市场部   18     260
  生产部   76     510
  财务部   9      95

  格子正确率               15 / 15

  这一步叫「表格结构还原」：OCR 只给出「哪个位置有什么字」，
  行列是算出来的——先把 y 相近的框聚成行，再把 x 相近的聚成列。
  两道阈值（本例 18 和 40 像素）就是全部参数，调错了就串行串列。

  沙箱里没有 OCR 引擎（没装 pytesseract，也没有可用的识别模型），
  所以上面这批框是我按固定坐标造的。真实流程是：图像 → OCR → 这批框 →
  本节这段代码。后半段是真的，前半段是假设的。

17 个框聚成 7 行，逐行打印出来能看出标题、表头、四行数据、页码都分得很清楚。 剔掉单框行之后剩 5 行，刚好是表头加四行数据。这两行噪声剔得干净，是因为它们各自只有一个框。 按 x 聚列得到 3 列，坐标 30、180、300 相距 150 和 120，远超 40 的阈值，所以聚得很干脆。 格子正确率 15 / 15。但这个满分是数据造的，不说明方法在真实扫描件上也这么好。

30 秒实验

1. 把 y 阈值从 18 改成 60，看会不会把两行并成一行。
2. 把 x 阈值从 40 改成 160，看会不会把两列并成一列。
3. 想一想：为什么要把「识别准确率」和「结构准确率」分开评？

常见误区

1. 「OCR 直接出表格」——它只出框，行列是后算的。
2. 「阈值随便设」——错了就串行串列，而且看着还挺正常。
3. 「15 全对说明方法好」——坐标是自己造的，真实扫描件没这么整齐。

表格之后是车牌——同一个「先定位再识别」的套路，但约束更强。

• ☐ （本节完，下一节 5.2.6 实例6：使用AI识别车牌）

相关笔记

• 实例4：使用AI充当旅游助手
• 实例6：使用AI识别车牌
• 图像识别和分类：人脸识别、图像检索、物体识别
• 🧠 AI训练师手册 · 索引