表格结构识别是将扫描件或截图中的表格布局还原为结构化数据，核心在于视觉理解框线与布局而非OCR文字；主流采用深度学习做语义分割或目标检测，关键环节包括混合合成与实拍的数据准备（3:1）及优选TableFormer或CascadeTabNet等轻量模型。
表格结构识别本质是把扫描件或截图里的表格区域、行列线、单元格边界还原成可编辑的结构化数据（比如CSV或Excel）。不依赖OCR文字内容，而是专注“框线”和“布局”的视觉理解。主流做法是用深度学习模型做语义分割或目标检测，下面讲清楚训练流程的关键环节。
数据准备：标注表格线和单元格边界
模型需要知道哪里是横线、竖线、合并单元格。常用标注方式有两种：
- 语义分割标注：给图像每个像素打标签，比如0=背景、1=横线、2=竖线、3=单元格中心点。用LabelMe、CVAT等工具画多边形或刷涂，导出PNG掩膜图。
- 实例分割/检测标注：把每条线当作一个目标框（box）或轮廓（polygon），用COCO格式组织；适合线条稀疏、干扰少的文档。
注意：真实场景中表格常有阴影、模糊、手写批注，建议混合合成数据（用程序生成带噪声的规则表格图）+少量高质量实拍样本，比例控制在3:1左右更稳。
模型选型：轻量实用优先选TableFormer或CascadeTabNet
别一上来就训YOLOv8或Mask R-CNN——它们对细长表格线召回差。推荐两个开箱即用的方案：
立即学习“Python免费学习笔记（深入）”；
- TableFormer：基于Transformer的端到端模型，直接输出单元格坐标和关系，支持合并单元格推理，GitHub有预训练权重，微调只需改数据路径和类别数。
- CascadeTabNet：两阶段检测器，先定位整个表格区域，再在区域内细分行线/列线，适合多表格混排文档，mAP在PubTabNet上达92%+。
如果GPU显存紧张（PPOCRv2的表格结构模块，它把检测+结构识别打包成一个ONNX模型，支持CPU推理。
训练与评估：用PubTabNet标准集对齐指标
训练前务必划分好train/val/test，推荐用PubTabNet（1M合成表格图+真实标注）作为基础预训练集，再用自己的数据做fine-tune。
- 评估核心指标不是准确率，而是Cell-level F1（单元格坐标IoU≥0.6才算对）和Structure Accuracy（整张表行列划分完全正确才计1分）。
- 训练时加线增强（Line Augmentation）：随机擦除部分线段、加高斯噪声、模拟墨迹晕染，能显著提升泛化性。
- 验证发现漏检横线？检查损失函数是否用了Focal Loss——它能缓解线条像素远少于背景的类别不平衡问题。
后处理：把模型输出转成Excel-ready结构
模型输出只是坐标（x1,y1,x2,y2），要变成真正的二维表，还得做逻辑重建：
- 用DBSCAN聚类把相近的横线y坐标归为同一行，竖线x坐标归为同一列；
- 根据行列交点生成虚拟网格，再用IoU匹配预测单元格和网格块；
- 对跨行/跨列单元格，合并对应网格——这里推荐用pdfplumber的table_settings参数思路：设min_words_vertical=1, snap_tolerance=3，效果比纯几何合并更鲁棒。
最后用pandas DataFrame.to_excel()导出，或用openpyxl写入样式（如加粗表头）。
基本上就这些。表格识别难不在模型多复杂，而在数据质量和后处理逻辑是否贴合业务表格的真实形态——比如财务报表常有斜线表头，合同条款表常嵌套子表，这些得靠定制化后处理兜底。不复杂但容易忽略。
