表格 OCR 的结构还原实录：从一张图片到可编辑表格

接长音频转写和 TTS 系列，回到文字识别线的一个硬骨头：表格 OCR。普通文本识别的输出是一串文字，表格识别的输出必须是结构——行列关系、合并单元格、表头归属。这篇记录我们把财务报表扫描件批量转可编辑 Excel 的工程实录，核心是三段递进：单元格切分、结构推理、语义校验。

为什么表格 OCR 难

表格的信息一半在文字里，一半在格子里。同一个「12.5」，在第三列是单价、在第五列是合计——脱离结构的文字流毫无价值。而扫描件的表格有三重折磨：表格线可能断续或缺失（拍摄质量）、合并单元格破坏行列规律、跨页表格的续表逻辑。工程上没有一个「模型一把梭」的解法，只有管线。

第一段：单元格切分

有线的表格（财务报表多数有框线）：形态学检测横竖线 → 线交点定单元格 → 按格切图逐格识别。这条路线成熟，难点在细节——线宽不一（1~3px 混杂）要自适应形态学核、断线要按直线拟合补全、双线表头（粗细两根线）要合并判定。我们在 200 张样例上调了一周，切分准确率做到 99%。

无线的表格（部分导出 PDF 转的图）：没有线就用空白对齐推理——列由字符 x 坐标的聚集决定，行由 y 坐标的间隔决定，再辅以「表头字段长度短、数据列对齐」的先验。这条路线的准确率天花板低一档（约 92%），必须依赖后面的语义校验兜底。

切分的输出是「单元格矩阵」：每个格子的图片、坐标、以及与相邻格子的连接关系（为合并单元格判断留数据）。

第二段：结构推理

有了单元格矩阵，结构层做三件事：

合并单元格还原。 跨列/跨行的空格 + 邻格内容的排版特征（居中跨列标题、左侧缩进跨行项），推理出合并关系，还原成 HTML table 的 rowspan/colspan 或 Excel 的合并格式。

表头归属。 多级表头（「上半年 | 一月 | 二月…」这种两层结构）的层级关系，用表头行的分隔线与缩进推断。财务报表的多级表头是最容易出错的部分，我们加了「表头词表」（常见财务字段的层级知识）做规则兜底。

数据类型列绑定。 每列识别出数据类型（数字/日期/文本），绑定到表头字段。这一步为语义校验提供基础。

第三段：语义校验

结构还原完的表格过三道校验：

行列完整性：每行字段数和表头对齐，缺失即报。

数值一致性：财务表的核心校验——分项之和等于合计吗？百分比列的和是 100 吗？上下期环比和原值对得上吗？财务报表的自洽性是天然的校验器，任何一处对不上，大概率是识别错了（也可能是真错账，两种都要标出）。

类型合法性：金额列里出现文本、日期列里出现数字，直接定位到单元格重识别。

三道校验跑完，可疑单元格（约 3%）高亮输出给人工复核，其余直接入库。相比「全表人工录入」，效率差 40 倍；相比「无校验的直出」，后续修错成本降 90%——校验的价值和 OCR 那篇的结论一致：引擎负责识别，工程负责可信。

成本账

单页表格识别的成本结构：表格类走高精度档（每页 1 分 5），普通页走标准档（每页 5 厘）。我们用的算邻坊文字识别，一个 5000 页的月度批量，混算成本约 45 元。语义校验层的模型判断走按 token 计费的推理接口，月成本 20 元内。整套管线按量付费、不用不花钱、余额永不过期——批量任务结束账就停，没有为下一批预留的任何沉没成本。识别算力在这类项目里又一次证明：成本大头永远在工程（校验规则、人工复核），不在识别本身。

总结

表格 OCR 的方法论一句话：切分求准、结构求全、校验求信。三段管线没有一段是「AI 魔法」，全是工程的笨功夫——但 40 倍效率和 90% 修错降幅，就是笨功夫的复利。

---

写文里这些识别场景，来自我日常在用的算邻坊（suanlinfang.cn?from=cnblogs-ocr）——把闲置算力池化成按量 API 的平台：语音识别/语音合成/文字识别/智能决策/随心翻译，不用不花钱，余额永不过期，新用户送 ¥10 体验金。