Python实现图片文字提取并导出Excel的完整方案

2026年3月14日 互联网

一、技术背景与核心工具链

在数字化转型过程中，企业常面临将纸质文档或图片中的文字信息电子化的需求。传统人工录入方式存在效率低、易出错等问题，而OCR（光学字符识别）技术可实现自动化文字提取。本方案采用开源技术栈实现该功能，核心组件包括：

  1. Tesseract OCR引擎：由行业领先团队开发的开源OCR工具，支持100+种语言识别，特别优化了中文识别能力
  2. Python生态库：
    • pytesseract：Tesseract的Python封装接口
    • Pillow：图像处理库，支持格式转换、预处理等操作
    • pandas：数据分析库，提供Excel文件生成能力

二、环境搭建指南

2.1 Tesseract引擎安装

Windows系统

  1. 从托管仓库下载最新稳定版安装包（建议选择包含中文语言包的版本）
  2. 安装时勾选”Additional language data”选项
  3. 默认安装路径为C:\Program Files\Tesseract-OCR，需记录该路径供后续配置使用

Mac/Linux系统

  1. # Mac系统（需先安装Homebrew）
  2. brew install tesseract          # 基础引擎
  3. brew install tesseract-lang     # 多语言支持包
  5. # Ubuntu系统
  6. sudo apt update
  7. sudo apt install tesseract-ocr
  8. sudo apt install tesseract-ocr-chi-sim  # 简体中文包

2.2 Python依赖管理

建议使用虚拟环境隔离项目依赖：

  1. python -m venv ocr_env
  2. source ocr_env/bin/activate  # Linux/Mac
  3. .\ocr_env\Scripts\activate   # Windows
  4. pip install pytesseract pillow pandas openpyxl

注：openpyxl是pandas写入Excel的引擎之一，需显式安装

三、核心代码实现与优化

3.1 基础实现方案

  1. import pytesseract
  2. from PIL import Image
  3. import pandas as pd
  4. import os
  6. # 配置Tesseract路径（Windows系统需指定）
  7. # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
  9. def image_to_excel(image_paths, output_path):
  10.     """
  11.     将图片文字识别结果导出为Excel
  12.     :param image_paths: 图片路径列表
  13.     :param output_path: 输出Excel路径
  14.     """
  15.     all_data = []
  16.     for img_path in image_paths:
  17.         try:
  18.             # 图像预处理
  19.             img = Image.open(img_path).convert('L')  # 转为灰度图
  20.             # 识别文字（中文需指定lang参数）
  21.             text = pytesseract.image_to_string(img, lang='chi_sim+eng')
  22.             # 简单分割处理（根据实际需求调整）
  23.             lines = [line.strip() for line in text.split('\n') if line.strip()]
  24.             # 构建结构化数据（示例：每行作为独立记录）
  25.             for i, line in enumerate(lines, 1):
  26.                 all_data.append({
  27.                     '图片名称': os.path.basename(img_path),
  28.                     '行号': i,
  29.                     '内容': line
  30.                 })
  31.         except Exception as e:
  32.             print(f"处理图片 {img_path} 时出错: {str(e)}")
  34.     # 写入Excel
  35.     if all_data:
  36.         df = pd.DataFrame(all_data)
  37.         df.to_excel(output_path, index=False, engine='openpyxl')
  38.         print(f"结果已保存至: {output_path}")
  39.     else:
  40.         print("未提取到有效数据")
  42. # 使用示例
  43. if __name__ == "__main__":
  44.     image_paths = ["invoice1.jpg", "contract.png"]  # 支持多图片处理
  45.     output_path = "output_results.xlsx"
  46.     image_to_excel(image_paths, output_path)

3.2 高级优化技巧

3.2.1 图像预处理增强

  1. from PIL import ImageEnhance, ImageFilter
  3. def preprocess_image(img_path):
  4.     """增强图像质量的预处理流程"""
  5.     img = Image.open(img_path)
  7.     # 转为灰度图
  8.     img = img.convert('L')
  10.     # 对比度增强（系数范围1.0-2.0）
  11.     enhancer = ImageEnhance.Contrast(img)
  12.     img = enhancer.enhance(1.5)
  14.     # 降噪处理
  15.     img = img.filter(ImageFilter.MedianFilter(size=3))
  17.     return img

3.2.2 结构化数据提取

对于表格类图片，可采用以下方法提取结构化数据：

  1. def extract_table_data(img_path):
  2.     """表格图片专用提取方法"""
  3.     import cv2
  4.     import numpy as np
  6.     # 使用OpenCV进行更精确的表格检测（需安装opencv-python）
  7.     img = cv2.imread(img_path)
  8.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  10.     # 二值化处理
  11.     _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)
  13.     # 检测水平线
  14.     horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (50,1))
  15.     horizontal_lines = cv2.morphologyEx(binary, cv2.MORPH_OPEN, 
  16.                                         horizontal_kernel, iterations=2)
  18.     # 检测垂直线（类似方法）
  19.     # ...（此处省略垂直线检测代码）
  21.     # 合并线条并检测表格结构
  22.     # ...（需根据实际表格特征调整参数）
  24.     # 使用Tesseract识别每个单元格
  25.     cells = []  # 存储单元格坐标和内容
  26.     # ...（实现单元格分割和识别逻辑）
  28.     return cells

3.2.3 多线程批量处理

  1. from concurrent.futures import ThreadPoolExecutor
  3. def batch_process(image_paths, output_dir, max_workers=4):
  4.     """多线程批量处理图片"""
  5.     os.makedirs(output_dir, exist_ok=True)
  7.     def process_single(img_path):
  8.         try:
  9.             base_name = os.path.splitext(os.path.basename(img_path))[0]
  10.             output_path = os.path.join(output_dir, f"{base_name}.xlsx")
  12.             img = preprocess_image(img_path)
  13.             text = pytesseract.image_to_string(img, lang='chi_sim+eng')
  15.             # 简单保存为Excel（每图片一个文件）
  16.             pd.DataFrame({'内容': [text]}).to_excel(output_path, index=False)
  17.             return f"成功处理: {img_path}"
  18.         except Exception as e:
  19.             return f"处理失败 {img_path}: {str(e)}"
  21.     with ThreadPoolExecutor(max_workers=max_workers) as executor:
  22.         results = list(executor.map(process_single, image_paths))
  24.     for result in results:
  25.         print(result)

四、常见问题解决方案

4.1 中文识别率低

  1. 确保安装中文语言包（chi_sim简体中文）
  2. 调整Tesseract配置参数： 
    1. custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ中文'
    2. text = pytesseract.image_to_string(img, config=custom_config)

4.2 复杂布局处理

对于包含多栏、图文混排的复杂文档，建议：

  1. 先使用OpenCV进行区域分割
  2. 对不同区域分别应用不同的OCR参数
  3. 合并结果时保持原始布局关系

4.3 性能优化建议

  1. 图片预处理阶段：
    • 调整分辨率至300dpi左右
    • 使用自适应阈值替代全局阈值
  2. 识别阶段：
    • 对大图片进行分块处理
    • 限制识别语言范围（如仅中文+英文）

五、扩展应用场景

  1. 发票识别系统：结合模板匹配技术提取金额、日期等关键字段
  2. 合同管理系统：自动提取签约方、有效期等结构化信息
  3. 档案数字化：批量处理历史纸质文档的电子化工作
  4. 工业质检：识别仪表盘读数或产品标签信息

本方案通过开源技术栈实现了高性价比的OCR解决方案，可根据实际需求进行灵活扩展。对于企业级应用，建议结合对象存储服务实现图片的集中管理，并通过消息队列实现异步处理，构建完整的文档处理流水线。

最新文章