什么是表格识别？表格变数据，一个例子讲透

做报表的人大多经历过：图片里一张清晰的表格，抄进表格软件却要花半小时。让表格从图片变成可编辑数据，靠的是 AI 文档处理中的表格识别。一个例子就能把它讲透。

从图片表格到数据表

以一张课程表截图为例：模型先定位表格区域，再划分行列边界，然后逐格读出文字，最后按结构输出成带行列关系的数据。四步走完，图片里的表格就变成了能排序、能筛选、能再加工的真数据。

拿到结果先别急着用：把输出和原图并排扫一眼，行列对不齐的地方通常集中在表格边缘——首列和末列是错误高发带。

四步走下来，每一步都有各自的坑。

类比：像把一堆积木按原样拼进新盒子——不只搬走积木（文字），还要保持拼法（结构）。

无线表和合并单元格的麻烦

有横竖线的表格好办，线就是结构线索。麻烦的是无线表——靠对齐和间距暗示行列；以及带合并单元格的表——一个格子横跨两列。模型要从对齐关系推断结构，遇到不规整的原始排版就容易错行。这类表格先人工核对首尾行，能快速判断整体质量。

多层表头是另一类硬骨头：表头占两行、第一行是分组第二行是明细，普通模型常把分组行当数据行。应对办法是识别后先检查前两行结构，发现分组特征就手动指定表头行数，再让工具按指定结构解析。斜线表头更罕见，遇到了别指望全自动。

类比失效处：积木的拼法是固定的，表格结构却可能歧义——同一份无线表，人和模型可能读出不同的行列划分。

顺带一个冷知识：横线比竖线更被模型依赖，只有竖线没有横线的表格，错误率会明显上升。

识别结果怎么验收

验收看三点：行列数对不对、首行表头有没有串位、数字和单位有没有被拆散。通义千问的识图能力和 WPS AI 的表格功能都能输出结构化结果，导出后抽查首尾两行加中间随机一行，基本能覆盖多数错误。

数值类内容另有易错点：千分位逗号被当成分隔符、负号丢失、单位被拆到隔壁格。涉及数字的表格，抽查时专挑带符号、带单位、带小数点的格子看，命中率比随机抽高得多。

留一份对照存档也是好习惯：识别结果和原图放同一处保存，日后复查或交接给同事，一眼就能核对，省去重新找图的功夫。

和纯文字识别比难在哪

纯文字识别是流水账，表格识别多了一层结构理解：不仅要认字，还要知道字在哪个格子里。同一页文档，文字部分识别得很准、表格部分却常需修正——难度不在认字，在复原结构。顺带说，同一页里的公式是另一门手艺，详见公式识别；页面先怎么分区，见版面分析；框出表格位置本身，用得上视觉定位。

手写表格又更难一层——字形和结构双重不确定，参见手写识别。

结构还原做得好的标志，是导出后不用手工调格式：行就是行、列就是列、合并关系还在。做不好的标志则是数字都在、位置全乱。选工具时拿一份自己的典型表格试，比看演示视频可信。

表格类型与难度对照表

• 有线规整表：结构清晰，准确率高
• 无线对齐表：靠间距推断，需抽查
• 合并单元格表：结构歧义多，重点核对跨行跨列

末句：表越规整，机器读得越顺。

关于表格识别的三个常问问题

• 识别完能直接算数吗？：数值通常可用，合并表和无线表建议先抽查再批量使用。
• 斜着拍的表格能识别吗？：多数模型带透视矫正，倾斜不大时结果可靠。
• 跨页表格怎么处理？：先逐页识别再合并，表头重复的页面要去重。

下次遇到图片表格，先看它属于哪一类型，再决定要不要人工复核。会分型，就掌握了验收的钥匙。