基于PaddleOCR对图片中的excel进行识别并转换成word优化（二）

0、原图

一、优化地方

计算行的时候，采用概率分布去统计差值概率比较大的即为所要的值。

def find_common_difference(array):
    """
    判断数组中每个元素的差值是否相等，并返回该差值
    :param array: 二维数组，其中每个元素是一个包含两个整数的列表
    :return: 如果所有差值相等，返回该差值；否则，返回 None
    """
    # 计算每对相邻元素的差值
    differences = [abs(pair[1] - pair[0]) for pair in array]

    # 统计差值的出现频率
    frequency = Counter(differences)

    # 检查所有差值是否相等
    # if all(difference == differences[0] for difference in differences):
    #     return differences[0]
    # else:
    #     return None
    most_common_difference = frequency.most_common(1)[0][0]
    return most_common_difference

二、完整代码

import cv2
from paddleocr import PaddleOCR
from docx import Document
from docx.shared import Pt, Inches
from docx.oxml.ns import qn
from docx.oxml import OxmlElement
from collections import Counter

# 初始化 PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # 使用中文语言模型


def recognize_text(image_path):
    """
    使用 PaddleOCR 进行文字识别
    :param image_path: 图像路径
    :return: 识别结果
    """
    image = cv2.imread(image_path)
    result = ocr.ocr(image, cls=True)
    return result


def extract_table_data(results):
    """
    从识别结果中提取表格数据
    :param results: 识别结果
    :return: 表格数据
    """
    table_data = []
    for line in results:
        row_data = []
        for element in line:
            text = element[1][0]  # 识别的文本
            row_data.append(text)
        table_data.append(row_data)
    return table_data


def set_cell_borders(cell, border_color="000000", row_height=None):
    """
    设置单元格的边框颜色
    :param cell: 单元格对象
    :param border_color: 边框颜色，默认为黑色
    """
    tc = cell._element
    tcPr = tc.get_or_add_tcPr()
    tcBorders = OxmlElement("w:tcBorders")

    for border_name in ("top", "left", "bottom", "right"):
        border = OxmlElement(f"w:{border_name}")
        border.set(qn("w:val"), "single")
        border.set(qn("w:sz"), "4")  # 边框大小
        border.set(qn("w:space"), "0")
        border.set(qn("w:color"), border_color)
        tcBorders.append(border)

    tcPr.append(tcBorders)

    # 设置内容居中显示
    for paragraph in cell.paragraphs:
        for run in paragraph.runs:
            run.font.size = paragraph.style.font.size  # 保持字体大小一致
        paragraph.alignment = 1  # 1 表示居中对齐

    # 设置行高
    if row_height is not None:
        tr = cell._element.getparent()  # 获取行元素
        trPr = tr.get_or_add_trPr()
        trHeight = OxmlElement("w:trHeight")
        trHeight.set(qn("w:val"), str(row_height))
        trPr.append(trHeight)


def create_table_and_fill_data(data, output_file):
    """
    在 Word 文档中插入表格并填充数据
    :param data: 表格数据
    :param output_file: 输出文件路径
    """
    # 创建一个新的 Word 文档
    doc = Document()

    # 添加一个标题sss
    doc.add_heading("测试XX信息表", level=1)

    # 创建表格
    table = doc.add_table(rows=len(data), cols=len(data[0]))

    # 填充表格数据
    for row_index, row_data in enumerate(data):
        for col_index, cell_text in enumerate(row_data):
            cell = table.cell(row_index, col_index)
            cell.text = str(cell_text)
            set_cell_borders(cell, border_color="FF0000", row_height=300)
    # 设置表格边框颜色
    # 保存 Word 文档
    doc.save(output_file)


# 转换为二维数组
def convert_to_2d(data, num_columns):
    """
    将一维数组转换为二维数组
    :param data: 一维数组
    :param num_columns: 每行的列数
    :return: 二维数组
    """
    # 提取表头
    headers = data[:num_columns]
    # 提取数据部分
    rows = data[num_columns:]
    # 按列数分组
    table_data = [headers]
    for i in range(0, len(rows), num_columns):
        table_data.append(rows[i : i + num_columns])
    return table_data


def find_intervals(data, threshold=2):
    """
    计算数组中相邻数据的差值大于 threshold 的索引间的间隔
    :param data: 数组
    :param threshold: 差值阈值
    :return: 索引间隔列表
    """
    intervals = []
    prev_index = 0  # 前一个索引
    for i in range(1, len(data)):
        if abs(data[i] - data[i - 1]) > threshold:
            # intervals.append(i - prev_index)
            intervals.append([prev_index, i - 1])
            prev_index = i
        else:
            continue
    return intervals


def find_common_difference(array):
    """
    判断数组中每个元素的差值是否相等，并返回该差值
    :param array: 二维数组，其中每个元素是一个包含两个整数的列表
    :return: 如果所有差值相等，返回该差值；否则，返回 None
    """
    # 计算每对相邻元素的差值
    differences = [abs(pair[1] - pair[0]) for pair in array]

    # 统计差值的出现频率
    frequency = Counter(differences)

    # 检查所有差值是否相等
    # if all(difference == differences[0] for difference in differences):
    #     return differences[0]
    # else:
    #     return None
    most_common_difference = frequency.most_common(1)[0][0]
    return most_common_difference


def extract_column_count(results):
    """
    每个元素的中心点X坐标计算
    从识别结果中提取表格的列数
    :param results: 识别结果
    :return: 表格的列数
    """
    cols = []

    for line in results:
        for element in line:
            box = element[0]  # 文本框坐标
            text = element[1][0]  # 识别的文本
            confidence = element[1][1]  # 置信度

            # 提取文本框的坐标信息
            x_coords = [point[0] for point in box]

            # 计算文本框的中心点
            center_x = sum(x_coords) / len(x_coords)

            # 将中心点添加到列的列表中
            cols.append(center_x)

    # 去重并排序
    # print("去重前：", cols)
    cols = sorted(cols)
    # print("排序重后：", cols)

    return cols


def main(image_path, output_file):
    size = 5
    # 识别图像中的文字
    results = recognize_text(image_path)
    x_cols = extract_column_count(results)
    intervals = find_intervals(x_cols, size)
    rows = find_common_difference(intervals)
    num_columns = len(x_cols) / (rows + 1)
    # 提取表格数据
    table_data = extract_table_data(results)

    table_data_val = convert_to_2d(table_data[0], int(num_columns))
    # 在 Word 文档中创建表格并填充数据
    create_table_and_fill_data(table_data_val, output_file)


# 示例：识别图片中的 Excel 表格并保存到 Word 文档
image_path = "order.jpg"  # 替换为你的 Excel 图片路径
output_file = "order.docx"  # 输出的 Word 文件路径
main(image_path, output_file)

三、识别后的效果