OCR识别图片表格

目录：

一、PP-Structure简介

二、安装PP-Structure

三、使用Jupyter Notebook编写代码

---

一、PP-Structure简介

     PP-Structure是一个可用于复杂文档结构分析和处理的OCR工具包，主要特性如下：

• 支持对图片形式的文档进行版面分析，可以划分文字、标题、表格、图片以及列表5类区域（与Layout-Parser联合使用）
• 支持文字、标题、图片以及列表区域提取为文字字段（与PP-OCR联合使用）
• 支持表格区域进行结构化分析，最终结果输出Excel文件
• 支持python whl包和命令行两种方式，简单易用
• 支持版面分析和表格结构化两类任务自定义训练

二、安装PP-Structure

可根据官网 *** 作(PaddleOCR/README_ch.md at release/2.3 · PaddlePaddle/PaddleOCR · GitHub)

1、打开命令提示符（Win+R），输入cmd

2、安装PaddlePaddle，输入pip install paddlepaddle

3、安装Layout-Parser，输入pip3 install -U https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl

4、安装paddleocr，输入pip install paddleocr

（按步骤安装，安装时间有点慢）

三、使用Jupyter Notebook编写代码

1、导入需要用的包

from paddleocr import PaddleOCR,draw_ocr,draw_structure_result,save_structure_res,PPStructure
import os
import cv2
import pandas as pd

2、

table =PPStructure(show_log=True,use_gpu=True)

出现

[2022/05/03 16:11:39] ppocr DEBUG: Namespace(help='==SUPPRESS==', use_gpu=False, ir_optim=True, use_tensorrt=False, min_subgraph_size=15, precision='fp32', gpu_mem=500, image_dir=None, det_algorithm='DB', det_model_dir='C:\Users\yi/.paddleocr/whl\det\ch\ch_PP-OCRv2_det_infer', det_limit_side_len=960, det_limit_type='max', det_db_thresh=0.3, det_db_box_thresh=0.6, det_db_unclip_ratio=1.5, max_batch_size=10, use_dilation=False, det_db_score_mode='fast', det_east_score_thresh=0.8, det_east_cover_thresh=0.1, det_east_nms_thresh=0.2, det_sast_score_thresh=0.5, det_sast_nms_thresh=0.2, det_sast_polygon=False, det_pse_thresh=0, det_pse_box_thresh=0.85, det_pse_min_area=16, det_pse_box_type='quad', det_pse_scale=1, scales=[8, 16, 32], alpha=1.0, beta=1.0, fourier_degree=5, det_fce_box_type='poly', rec_algorithm='CRNN', rec_model_dir='C:\Users\yi/.paddleocr/whl\rec\ch\ch_PP-OCRv2_rec_infer', rec_image_shape='3, 32, 320', rec_batch_num=6, max_text_length=25, rec_char_dict_path='D:\Anaconda\lib\site-packages\paddleocr\ppocr\utils\ppocr_keys_v1.txt', use_space_char=True, vis_font_path='./doc/fonts/simfang.ttf', drop_score=0.5, e2e_algorithm='PGNet', e2e_model_dir=None, e2e_limit_side_len=768, e2e_limit_type='max', e2e_pgnet_score_thresh=0.5, e2e_char_dict_path='./ppocr/utils/ic15_dict.txt', e2e_pgnet_valid_set='totaltext', e2e_pgnet_mode='fast', use_angle_cls=False, cls_model_dir=None, cls_image_shape='3, 48, 192', label_list=['0', '180'], cls_batch_num=6, cls_thresh=0.9, enable_mkldnn=False, cpu_threads=10, use_pdserving=False, warmup=False, draw_img_save_dir='./inference_results', save_crop_res=False, crop_res_save_dir='./output', use_mp=False, total_process_num=1, process_id=0, benchmark=False, save_log_path='./log_output/', show_log=True, use_onnx=False, output='./output', table_max_len=488, table_model_dir='C:\Users\yi/.paddleocr/whl\table\en_ppocr_mobile_v2.0_table_structure_infer', table_char_dict_path='D:\Anaconda\lib\site-packages\paddleocr\ppocr\utils\dict\table_structure_dict.txt', layout_path_model='lp://PubLayNet/ppyolov2_r50vd_dcn_365e_publaynet/config', layout_label_map=None, mode='structure', layout=True, table=True, ocr=True, lang='ch', det=True, rec=True, type='ocr', ocr_version='PP-OCRv2', structure_version='STRUCTURE')

3、写入自己的图片地址（我的图片直接放入的C盘），用cv2包把图片读进来

img_path="C:\yy.bmp"
img=cv2.imread(img_path)
result=table(img)

结果

[2022/05/03 16:19:05] ppocr DEBUG: dt_boxes num : 90, elapse : 0.449573278427124
[2022/05/03 16:19:08] ppocr DEBUG: rec_res num  : 90, elapse : 2.99617600440979

表示成功读取图片数据（读取图片大概需要几秒时间）

4、

result

[{'type': 'Table',
  'bbox': [0, 8, 631, 570],
  'img': array([[[253, 253, 253],
          [  0,   0,   0],
          [254, 254, 254],
          ...,
          [255, 255, 255],
          [253, 253, 253],
          [  0,   0,   0]],
  
         [[253, 253, 253],
          [  0,   0,   0],
          [254, 254, 254],
          ...,
          [255, 255, 255],
          [253, 253, 253],
          [  0,   0,   0]],
  
         [[253, 253, 253],
          [  0,   0,   0],
          [254, 254, 254],
          ...,
          [255, 255, 255],
          [253, 253, 253],
          [  0,   0,   0]],
  
         ...,
  
         [[253, 253, 253],
          [  0,   0,   0],
          [254, 254, 254],
          ...,
          [255, 255, 255],
          [253, 253, 253],
          [  0,   0,   0]],
  
         [[237, 237, 237],
          [ 12,  12,  12],
          [243, 243, 243],
          ...,
          [251, 251, 251],
          [243, 243, 243],
          [ 17,  17,  17]],
  
         [[255, 255, 255],
          [  3,   3,   3],
          [255, 255, 255],
          ...,
          [244, 244, 244],
          [255, 255, 255],
          [  1,   1,   1]]], dtype=uint8),
  'res': {'html': '
品名
规格
单位
出厂价
批发价
零售价
双黄连口服液
10mlX10支(PVC)
元/盒
7.18
2
9.50
双黄连口服液
10mlX10支（玻瓶）
元/盒
8.96
10.30
11.85
柴胡口服液
10mlX10支(PVC)
元/盒
8.55
9.83
11.30
柴胡口服液
10ml×12支（玻瓶）
元/盒
11.04
12.70
14.60
健胃化积口服液
10mlX6支(PVC)
元/盒
3.64
4.18
4.80
解酒灵口服液
10ml×6支（PVC)
元/盒
3.60
4.14
4.76
银黄清毒口服液
10mlX6支（PVC)
元/盒
4.51
5.18
5.95
安神补脑口服液
10ml×10支（玻璃瓶）
元/盒
8.65
9.94
11. 43
浓汁金银花露
100mlx1瓶
元/瓶
4.00
4.60
5.29
虫草氨基酸口服液
250ml×1瓶
元/瓶
7.94
9.13
10.50
甘草片
100片×1瓶
元/瓶
4.00
4.60
5.29
板蓝根颗粒
10g×1袋
元/袋
0.69
0.79
0.91
妇乐冲剂
6g×10袋×1盒
元/盒
8.54
9.82
11.29
排石颗粒
15g×10袋×1盒
元/盒
7.29
8.38
9.63
'}}]

将result改为result[0] ,出现结果同上，再改为result[0]['res'],出现

{'html': '
品名
规格
单位
出厂价
批发价
零售价
双黄连口服液
10mlX10支(PVC)
元/盒
7.18
2
9.50
双黄连口服液
10mlX10支（玻瓶）
元/盒
8.96
10.30
11.85
柴胡口服液
10mlX10支(PVC)
元/盒
8.55
9.83
11.30
柴胡口服液
10ml×12支（玻瓶）
元/盒
11.04
12.70
14.60
健胃化积口服液
10mlX6支(PVC)
元/盒
3.64
4.18
4.80
解酒灵口服液
10ml×6支（PVC)
元/盒
3.60
4.14
4.76
银黄清毒口服液
10mlX6支（PVC)
元/盒
4.51
5.18
5.95
安神补脑口服液
10ml×10支（玻璃瓶）
元/盒
8.65
9.94
11. 43
浓汁金银花露
100mlx1瓶
元/瓶
4.00
4.60
5.29
虫草氨基酸口服液
250ml×1瓶
元/瓶
7.94
9.13
10.50
甘草片
100片×1瓶
元/瓶
4.00
4.60
5.29
板蓝根颗粒
10g×1袋
元/袋
0.69
0.79
0.91
妇乐冲剂
6g×10袋×1盒
元/盒
8.54
9.82
11.29
排石颗粒
15g×10袋×1盒
元/盒
7.29
8.38
9.63
'}

4、保存表格（我直接保存到了C盘）

save_folder = 'C:/'
save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])

C盘出现图片相同名字的文件夹，打开（有些表格可能有小小的错误，需要自己核对），完成