企业官网建设流程全解析

简介：这份资源面向需要将图片表格批量数字化的开发者与办公人员，提供一套基于 Python 调用腾讯云 OCR 接口的完整实现，可识别 jpg/png 照片中的手写文字与手绘表格，并输出为 Excel 文件，适用于教育、财务、工程等场景的票据、笔记与图表整理。压缩包共 3 个文件，包含 2 个 py 脚本与 1 个 exe 可执行程序，整体约 96.13MB；其中主程序负责调用云接口完成识别，辅助模块承担图像处理、结果解析与数据清洗，exe 则让未安装 Python 环境的用户也能直接运行。资源已有 561 人学习，读者可从中掌握 requests 发送 HTTP 请求、腾讯云 SDK 集成、pandas 构建 DataFrame 并导出 Excel 的完整链路，同时了解批量遍历目录、逐张识别保存的实现思路，以及将脚本打包为 Windows 可执行文件的方法，便于快速落地到实际自动化办公流程中。

1. 从一堆手机拍的报销单说起：这套 Python + 腾讯云 OCR 方案到底能干什么

财务同事甩过来一个压缩包，里面是三百多张手机拍的报销单，有手写金额、有画得歪歪扭扭的表格、还有几张是直接拿笔在 A4 纸上画的考勤表。要求当天下午把每张单子的关键字段录进 Excel。人工敲，眼睛先废。这时候能救命的，就是一套把 jpg/png 直接喂进去、吐出一张结构化 Excel 的脚本。核心思路不复杂：Python 负责批量读图和调度，腾讯云的文字识别接口负责把图里的字抠出来，最后用 openpyxl 或 pandas 把结果写成 xlsx。它解决的不是「识别一张图」这种玩具需求，而是「几百张格式不统一的照片，批量转成能筛选、能求和、能导入数据库的表格」。适合谁？做财务自动化、档案数字化、表单录入外包的从业者，以及手头有大量纸质表格照片、又不想一张张手敲的 Python 初学者。下面我把这套东西从环境搭到落盘，连同我踩过的坑，一次讲清楚。

2. 环境与接口选型：为什么是腾讯云 OCR 而不是本地开源模型

2.1 手写和手画表格，决定了你不能用普通 OCR

普通印刷体 OCR 引擎（比如 Tesseract）对付打印的发票还行，一旦遇到手写数字、连笔签名、手画的表格线，识别率会断崖式下跌。手画表格更麻烦：它没有规整的边框，单元格位置全靠笔画围出来，传统基于连通域和直线检测的方案直接失效。腾讯云的文字识别里，通用印刷体识别适合规整文档，而「通用手写体识别」和「表格识别」这两个接口才是这套方案的主力。表格识别接口会返回每个单元格的行列坐标和文本，等于帮你把「手画表格」还原成了二维结构，这是本地开源模型很难稳定做到的。选它不是因为迷信云厂商，而是手写 + 手画表格这个组合，目前云端接口的鲁棒性确实更省心。

2.2 开通服务与拿到密钥的正确姿势

去腾讯云控制台搜「文字识别」，开通后进入访问管理（CAM）创建密钥。你会拿到一对SecretId和SecretKey。这里有个血泪经验：千万别把密钥硬编码进脚本然后传到代码仓库，我见过太多人这么干，第二天就收到欠费短信。正确做法是写进环境变量，或者用腾讯云的子账号 + 最小权限策略，只给 OCR 相关权限。

# 把密钥写进环境变量，脚本里用 os.environ 读取 export TENCENT_SECRET_ID="你的SecretId" export TENCENT_SECRET_KEY="你的SecretKey" # 安装官方 SDK，注意是 tencentcloud-sdk-python，不是旧版的 qcloud pip install tencentcloud-sdk-python pip install openpyxl pandas pillow

tencentcloud-sdk-python是官方维护的统一 SDK，OCR 模块在tencentcloud.ocr.v20181119这个命名空间下。openpyxl负责写 xlsx，pandas用来做数据整理，pillow在需要压缩图片时用得上。版本上不用追最新，能跑通就行，但 SDK 建议用近一年的版本，老版本对表格识别接口的字段支持不全。

2.3 图片预处理：别把 10MB 的原图直接怼上去

手机拍的照片动辄 5 到 10MB，接口对单张图片有大小限制（一般 base64 编码后不超过 7MB），而且大图传输慢、还容易超时。我一般会先用 pillow 把长边压到 2000 像素以内，再转成 base64。注意压缩别太狠，手写字压糊了识别率反而下降，质量参数给 85 左右比较稳。

from PIL import Image import base64, io def img_to_base64(path, max_side=2000, quality=85): img = Image.open(path) # 按长边等比缩放，避免超大图触发接口大小限制 if max(img.size) > max_side: ratio = max_side / max(img.size) img = img.resize((int(img.width * ratio), int(img.height * ratio))) buf = io.BytesIO() # 统一转 RGB，png 带透明通道时接口可能报错 img.convert("RGB").save(buf, format="JPEG", quality=quality) return base64.b64encode(buf.getvalue()).decode() # 调用示例 b64 = img_to_base64("报销单.jpg") print(len(b64)) # 观察 base64 长度，超过 7MB 就要继续压

这段代码做了三件事：等比缩放、统一转 RGB、编码成 base64。参数max_side控制长边像素，quality控制 JPEG 质量。为什么要转 RGB？因为 png 的透明通道在部分接口里会引发解码异常，统一成三通道最省事。打印 base64 长度是为了心里有数，超过接口上限就继续调小max_side。

3. 调接口拿结果：手写体识别与表格识别的两条路线

3.1 通用手写体识别：适合字段散落的单据

如果照片里就是零散的手写字段（姓名、金额、日期），用GeneralHandwritingOCR接口最直接。它返回的是文本块列表，每个块带识别文字和位置。你拿到之后按位置从上到下、从左到右排序，再按关键词匹配就能抽出字段。

from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.ocr.v20181119 import ocr_client, models import os, json def get_client(): cred = credential.Credential( os.environ["TENCENT_SECRET_ID"], os.environ["TENCENT_SECRET_KEY"] ) http = HttpProfile(endpoint="ocr.tencentcloudapi.com", reqTimeout=30) profile = ClientProfile(httpProfile=http) return ocr_client.OcrClient(cred, "ap-guangzhou", profile) def handwriting_ocr(image_b64): client = get_client() req = models.GeneralHandwritingOCRRequest() req.ImageBase64 = image_b64 resp = client.GeneralHandwritingOCR(req) # 返回结构里 TextDetections 是文本块列表 return json.loads(resp.to_json_string())["TextDetections"] blocks = handwriting_ocr(b64) for b in blocks: print(b["DetectedText"], b["Polygon"]) # 文字 + 四点坐标

reqTimeout=30是请求超时，网络差的时候别设太小。ap-guangzhou是地域，选离你服务器近的能降延迟。返回的Polygon是四个角点坐标，这是后面做版面还原的关键——有了坐标，你才能判断哪个字在哪一行、哪一列。很多人只取文字丢掉坐标，结果字段全串行，这是新手最容易翻车的地方。

3.2 表格识别：手画表格的还原主力

手画的表格用RecognizeTableOCR（表格识别）接口。它返回TableDetections，里面每个单元格带行号、列号、文本和坐标。等于接口帮你把表格结构解析好了，你只需要按行列号拼成二维数组。

def table_ocr(image_b64): client = get_client() req = models.RecognizeTableOCRRequest() req.ImageBase64 = image_b64 resp = client.RecognizeTableOCR(req) data = json.loads(resp.to_json_string()) # TableDetections 里每个元素是一个单元格 cells = data.get("TableDetections", []) # 按行列号归位 rows = {} for c in cells: r, col = c["RowTl"], c["ColTl"] rows.setdefault(r, {})[col] = c["Text"] # 转成有序二维列表 table = [ [rows[r].get(c, "") for c in sorted(rows[r])] for r in sorted(rows) ] return table for row in table_ocr(b64): print(row)

RowTl和ColTl是单元格左上角所在的行列索引，用它归位比按坐标排序更稳。注意接口返回的行列号可能不从 0 开始，也可能有跳号，所以用字典兜底、缺的补空字符串。这一步是整个流程里最容易出玄学问题的地方——手画表格线条不闭合时，接口可能把两个单元格合并，或者把一个格子拆成两个。遇到这种情况，别急着骂接口，先看原图线条是不是断的。

3.3 两条路线怎么选：一张决策表

我一般会先跑表格识别，如果返回的单元格数量明显少于肉眼看到的格子数，就说明线条没被识别出来，这时候退回手写体识别，自己按坐标聚类成行。这个「先表格后手写」的降级策略，能覆盖九成以上的真实照片。

4. 落盘成 Excel：字段抽取、清洗与批量写入

4.1 从识别结果到结构化字段

拿到二维表格或文本块之后，下一步是把它们变成有列名的记录。如果是固定格式的表单（比如每张报销单都是「日期 / 事由 / 金额」三列），直接按列索引取值。如果是格式不固定的，就得靠关键词匹配：在文本块里找「金额」「合计」这类词，取它右边或下边的数字。

import re def extract_amount(blocks): # 在文本块里找含"金额"或"合计"的块，取同行右侧的数字 for i, b in enumerate(blocks): if "金额" in b["DetectedText"] or "合计" in b["DetectedText"]: # 用正则从当前块和相邻块里抠数字 for nb in blocks[i:i+3]: m = re.search(r"\d+\.?\d*", nb["DetectedText"]) if m: return float(m.group()) return None def extract_date(blocks): for b in blocks: m = re.search(r"\d{4}[-/年]\d{1,2}[-/月]\d{1,2}", b["DetectedText"]) if m: return m.group() return None

正则\d+\.?\d*匹配整数或小数金额，\d{4}[-/年]\d{1,2}[-/月]\d{1,2}兼容2024-01-05、2024/1/5、2024年1月5日几种写法。关键词匹配的窗口取当前块往后 3 个块，是因为识别结果里「金额」和数字经常被切成两个块。这个窗口大小可以调，但别太大，否则会误抓到下一行的数字。

4.2 用 openpyxl 批量写入并保留格式

数据整理成列表后，用 openpyxl 写入。相比 pandas 的to_excel，openpyxl 能更细地控制单元格格式，比如金额列设成数字格式、表头加粗。

from openpyxl import Workbook from openpyxl.styles import Font def write_excel(records, out_path="result.xlsx"): wb = Workbook() ws = wb.active ws.title = "识别结果" headers = ["文件名", "日期", "金额", "备注"] ws.append(headers) # 表头加粗 for cell in ws[1]: cell.font = Font(bold=True) for rec in records: ws.append([rec.get(h, "") for h in headers]) # 金额列设成两位小数 for row in ws.iter_rows(min_row=2, min_col=3, max_col=3): for cell in row: cell.number_format = "0.00" wb.save(out_path) write_excel([{"文件名": "a.jpg", "日期": "2024-01-05", "金额": 128.5, "备注": ""}])

ws.append按行追加，number_format = "0.00"保证金额显示两位小数。注意如果金额抽出来是字符串，写进去会变成文本格式，Excel 里没法直接求和，所以抽取阶段就要float()转好。这一步不做，后面财务用 SUM 求和时会发现结果是 0，又是一轮排查。

4.3 批量处理与失败重试

单张能跑通之后，套一层循环处理整个文件夹，并且给每张图加失败重试。网络抖动、接口限流都会导致偶发失败，不重试的话几百张里总有几张漏掉。

import os, time def batch_process(folder, out_path="result.xlsx"): records = [] for name in os.listdir(folder): if not name.lower().endswith((".jpg", ".png", ".jpeg")): continue path = os.path.join(folder, name) for attempt in range(3): # 最多重试 3 次 try: b64 = img_to_base64(path) blocks = handwriting_ocr(b64) records.append({ "文件名": name, "日期": extract_date(blocks), "金额": extract_amount(blocks), "备注": "" }) break except Exception as e: print(f"{name} 第 {attempt+1} 次失败: {e}") time.sleep(2 ** attempt) # 指数退避 else: records.append({"文件名": name, "备注": "识别失败"}) write_excel(records, out_path) batch_process("./photos")

time.sleep(2 ** attempt)是指数退避，第一次等 2 秒、第二次 4 秒、第三次 8 秒，避免短时间内反复冲击接口触发限流。for...else的写法是：循环正常跑完没 break，说明三次都失败，记一条「识别失败」而不是直接丢掉，方便事后人工补。这个细节决定了你交付的表格是「完整但有几条待补」还是「悄悄少了几行」。

5. 避坑与排查：那些让我加班到凌晨的坑

5.1 现象：接口报「图片解码失败」，但图片明明能打开

原因：png 带透明通道，或者图片是 CMYK 色彩模式，接口只认 RGB 的 JPEG/PNG。解决：预处理阶段统一img.convert("RGB")，并且存成 JPEG。我现在的习惯是无论原图什么格式，一律转 RGB + JPEG 再编码，这个坑就再没出现过。

5.2 现象：手写数字「1」和「7」、「0」和「6」频繁认错

原因：手写体本身歧义大，加上照片光线不均、有阴影。解决：一是拍照时尽量正对、光线均匀，这是源头；二是识别后在业务层做校验，比如金额字段如果识别出异常大的值，标记出来人工复核。指望接口 100% 准是不现实的，工程上要留人工兜底的口子。

5.3 现象：表格识别返回的单元格行列号乱跳，拼出来的表错位

原因：手画表格线条不闭合，接口把相邻单元格合并或拆分。解决：先看返回的单元格数量，和肉眼数对比；如果差太多，退回手写体识别按坐标聚类。另外可以在预处理时做一次二值化增强线条，但对潦草手画效果有限，别抱太大期望。

5.4 现象：跑几十张后开始报「请求频率超限」

原因：默认并发或调用间隔太短，触发了接口的 QPS 限制。解决：在循环里加time.sleep(0.2)控制节奏，或者用线程池限制并发数。别一上来就开 20 个线程猛冲，限流封禁得不偿失。我一般单线程加小延时，几百张图也就几分钟的事。

5.5 现象：Excel 里金额列没法求和，显示成文本

原因：抽取阶段金额是字符串，直接写进单元格变成文本格式。解决：抽取时float()转换，写入时设number_format。如果数据里混了「¥」符号或「元」字，先用正则把非数字字符去掉再转。

6. 进阶：把识别准确率再往上抬一截的几个实操技巧

先说一个最容易被忽略的点：图片方向。手机拍的照片 EXIF 里带旋转信息，PIL 打开时不一定自动应用，导致传给接口的图是躺着的，识别率直接腰斩。我现在的固定动作是先做一次方向校正。

from PIL import Image, ImageOps def load_upright(path): img = Image.open(path) # 按 EXIF 方向信息自动旋转 img = ImageOps.exif_transpose(img) return img.convert("RGB")

ImageOps.exif_transpose会读取 EXIF 的 Orientation 标签并旋转到正确方向。这一步加上之后，我手里那批横拍的单据识别率肉眼可见地涨了一截。很多人排查半天以为是接口不行，其实是图躺着了。

第二个技巧是分区域识别。如果表单格式固定，比如金额永远在右下角，你可以先用 pillow 把那个区域裁出来单独识别，减少无关文字干扰，准确率比整图识别高。裁剪坐标可以先用一张样图试出来，写死成比例。

def crop_region(img, left_r, top_r, right_r, bottom_r): w, h = img.size box = (int(w*left_r), int(h*top_r), int(w*right_r), int(h*bottom_r)) return img.crop(box) # 裁右下角 40% x 20% 的区域专门识别金额 region = crop_region(load_upright("报销单.jpg"), 0.6, 0.8, 1.0, 1.0)

比例参数按你的表单实际布局调，先用一张图打印出裁剪结果确认位置对了再批量跑。

第三个是结果校验规则。识别完之后加一层业务校验：日期是否在合理范围、金额是否为正数、必填字段是否为空。校验不过的单独输出到一个「待复核」sheet，而不是混在正常数据里。这样交付出去的表格，财务一眼就知道哪些要人工看。

最后说个习惯。从那以后我每次做这类批量识别，都会先拿 5 张最有代表性的图（最糊的、手写最潦草的、表格线最断的）跑一遍全流程，确认字段抽取和落盘都对，再放开跑全量。因为全量跑完才发现字段错位，返工的成本远高于先试这 5 张。这套 Python + 腾讯云 OCR 的组合，把几百张照片变成一张能筛选能求和的 Excel，中间的门道基本都在上面这些细节里了。希望帮到你。

本文还有配套的精品资源，点击获取