OCR 表格还原实践：从扫描件到结构化数据

文档 OCR 的整体识别率这些年提升很快，但表格依然是翻车重灾区——单元格文字认出来了，行列关系却乱了，导出的 CSV 对不上账。这篇文章讲表格还原这件事的工程实践：怎么从一张扫描件里拿到「可入库的结构化数据」，而不是「一堆位置正确的乱字」。

问题拆解：表格还原其实是三个任务

很多团队把表格 OCR 当成一个任务来选型，结果怎么选都不满意。拆开看它是三件事：

1. 表格检测：在整页版面里找到表格区域（可能一页多个表）；
2. 结构重建：确定行列划分、合并单元格归属；
3. 内容填充：把每个单元格区域的文字识别出来。

三件事的能力要求和优化方向完全不同，分开处理比一个端到端模型硬吞要稳得多。

第一步：表格检测与预处理

扫描件先做二值化和去噪，表格检测模型（公共模型或云服务内置的版面分析接口均可）输出表格 bounding box。这一步的经验：倾斜矫正要放在检测前做，页面倾斜超过 3 度，检测框就开始漏；分辨率按长边 2000 像素以上准备，表格线在低分辨率下会糊成一片。

第二步：结构重建，合并单元格是最大变量

主流方案是「表格线检测+逻辑行列推断」两条路并行：有实线的表格按线切；无线或细线表格（很多财务报表风格）靠文字对齐关系推断结构。

合并单元格的处理建议：还原成「主单元格+归属标记」的中间结构，先不要直接展开成规整矩阵——展开时机放在导出阶段，且保留原始归属信息以便人工复核。一步到位展平的做法，后面校验环节查无对证。

# 中间结构示意
cell = {
    "row": 2, "col": 3,
    "span": {"rowspan": 1, "colspan": 2},
    "anchor": True,          # 是否合并区主单元格
    "text": "华东区域"
}

第三步：识别与校验回环

单元格内容识别完，不要直接出表。加一层可计算校验：

• 合计校验：数值列带「合计」行的，逐列加总比对，这是财务类表格最强的自检信号；
• 格式一致性：同一列的日期格式、小数位数、单位应该一致，突变点就是可疑点；
• 置信度标色：单元格级置信度低于阈值的标黄导出，把复核注意力集中到真正可疑的位置。

我们实测下来，加了校验回环后，人工复核量从「整表逐格看」降到「只看标黄格」，这是结构化 OCR 能不能上生产的分水岭。

第四步：兜底与人工队列

校验不通过的表格进人工队列。接口层设计上留好口子：我们用的算邻坊的随心 OCR 接口，单元格级结果带置信度，校验逻辑全部在自己侧实现——引擎给原料、自己建质检线这个分工要从一开始就定好，别指望任何单一接口输出「直接可用」。

选型建议

量小的场景，云服务的表格识别 API 开箱即用（各家通用表格都不错，复杂合并表是共同短板）；量大的场景，成本与延迟的主权在自己手里更稳，检测-结构-识别的链路可以逐环节换模型，哪个环节拉胯换哪个。

小结

表格还原的工程要点：拆三任务分别处理、倾斜矫正前置、合并单元格保留归属信息、可计算校验回环压缩复核面、人工队列兜底。把这套流程搭起来之后，扫描件到结构化数据之间的那段最远的路，才算真正修通了。