知识图谱07——图片中表格开源ocr识别

对比了多种ocr识别算法，最终选择了百度paddle官方的ocr算法
在所在的虚拟环境下运行

pip install paddleocr --user

from paddleocr import PaddleOCR
import os
import csv# 创建 PaddleOCR 对象
ocr = PaddleOCR(use_gpu=True)   # 无gpu时选择False# 指定图片文件夹和结果保存文件夹的路径
image_folder = '../页面截图/全部截图'
result_folder = '../提取结果/csv/all'# 确保结果保存文件夹存在
if not os.path.exists(result_folder):os.makedirs(result_folder)# 用于计数处理的图片数量
count = 0
max_count = 2000  # 最多处理的图片数量# 遍历图片文件夹中的所有图片
for image_file in os.listdir(image_folder):if count >= max_count:breakif image_file.endswith(('.png', '.jpg', '.jpeg')):image_path = os.path.join(image_folder, image_file)results = ocr.ocr(image_path, cls=True)# 初始化行数据lines = {}for line in results[0]:# 得到相应文本text = line[1][0]# 根据您的计算方法计算平均 x 和 y 坐标x_avg = sum([point[0] for point in line[0]]) / 4y_avg = sum([point[1] for point in line[0]]) / 4# 寻找或创建相应的行found_row = Falsefor key in lines:if abs(y_avg - key) <= 5:  # 判断是否为同一行lines[key].append((x_avg, text))found_row = Truebreakif not found_row:lines[y_avg] = [(x_avg, text)]# 排序行和列sorted_lines = sorted(lines.items(), key=lambda x: x[0])for i, (y, items) in enumerate(sorted_lines):sorted_lines[i] = sorted(items, key=lambda x: x[0])# 写入 CSV 文件result_csv_path = os.path.join(result_folder, os.path.splitext(image_file)[0] + '.csv')with open(result_csv_path, 'w', newline='', encoding='utf-8') as csvfile:csvwriter = csv.writer(csvfile)for items in sorted_lines:  # 修改此处csvwriter.writerow([text for _, text in items])print(f"结果已保存到 {result_csv_path}")count += 1

注：paddleocr反馈回来文字内容以及包含文字的最小矩形四个点坐标。这里由于我的图很标准，我选择将每个字段的xy坐标做一个平均，按照xy进行排序，生成对应的csv文件。
如果非标准（我是横平竖直的电脑截图）图片文件，请自行修改判别算法