需求分析
一些图片格式的表格数据，需要从中提取完整数据。
解题思路
图片中数据位置规则，应该是 Excel 等软件直接导出的。
第一步想到的是互联网上是否直接有该文件提供？因为是中文数据，用 Baidu,Sogou 等几个搜索引擎尝试找了几个关键词，都没有找到。
然后试了一下互联网上几个可以试用的表格 OCR 工具，对于这种有一些些独特格式的表格，没有很好的识别能力，识别结果感人。
最终方案是自己处理图片，切割出独立的图片块数据，做 OCR 识别出内容，这样可以有很好的识别率。
OCR 工具调研
- tesseract （github #OCR top ）
- easyocr （开源 OCR 新秀）
- baidu-aip
tesseract 和 easyocr 都是开源的 OCR 项目，安装完成之后还需要下载模型文件，体积都很大，考验网络稳定性。
baidu-aip 是百度提供的 AI 相关的 api SDK，在百度ai平台上申请账号后提供一些免费额度使用，因为是在线识别，速度会比较快。腾讯也有相关的文字识别 api，免费额度小很多。
识别流程
去除水印
图像的水印深度比字体浅，通过将图像转换成灰度后可以过滤掉浅色的像素即可完全去除水印
img = cv2.imread('1.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.where((gray<200),gray,255)
Image.fromarray(cv2.cvtColor(gray, cv2.COLOR_BGR2RGB))
分割图像
将图像中的文字块提出来，行可以通过像素点判断，列的位置通过将图片到如 PS ，人工确定每列的具体位置。
OCR 识别
文字可以直接用工具中的对应语言识别，纯数值识别就很容易被干扰。
tesseract 可以通过设置 tessedit_char_whitelist 限定识别的必须为数值。
easyocr 设置 allowlist 限制识别的结果范围。
baidu-aip 没有相关的设置，这个误差就没法避免了。
为了减小不确定性，每个文字块使用3个 OCR 引擎都识别一遍，民主选择结果。
最后
将数据通过 pandas 保存到文件
pf = pd.DataFrame(retData)
pf.to_csv("./out/1.csv", index=False)
demo : https://gitee.com/ider001/ocrDemo.git
来源：oschina
链接：https://my.oschina.net/u/2248663/blog/4405800