您好我是ID: 熊猫钓鱼十余年深耕技术一线我始终相信优秀的开发如同垂钓——既要对技术生态的「水域」有深邃理解也要对问题本质的「鱼汛」保持敏锐直觉。从架构设计到性能调优从技术选型到团队协作我专注在恰当的时机用最合适的技术钓起最优雅的解决方案。关注我我带你一起研究最新又好玩的热点技术~「榨干腾讯云OCR免费资源包」系列第02篇。上一篇我们把照片里的字抠出来了这一篇更进一步把文档结构也还原出来——段落、标题、表格线。而且这次不是单点突破而是把腾讯云三个文档类接口编排成一套组合拳。一、场景升级要的不是字是结构自媒体人的素材处理很多时候只要文字是不够的二创资料整理纸质书扫描页、老报告想要的是能编辑的文档段落和层级都要保住行业数据分析报告截图里的表格要放进自己的对比文章手动重建表格是最烦的活粉丝投稿解析合同、物流单据截图需要按版面理解内容。这三个场景对应三个方向的资源包办公文档还原整页结构、表格识别表格专项、行业文档识别行业版式专项。三个免费资源包各 1000 次9 月 30 日到期。二、三位选手免费资源包能力说明一句话定位办公文档还原-1000次整份文档结构化还原段落、标题、表格、阅读顺序整页文档一次变可编辑文档表格识别-1k次TableOCRV1另有 V2RecognizeTableOCR/ V3RecognizeTableAccurateOCR表格专项直接返回 HTML带合并单元格行业文档识别-1000次面向行业版式的专项识别控制台资源包名公开 API 概览中无同名接口行业标准单据优先用它说明“办公文档还原”行业文档识别属于控制台能力分类命名公开 API 概览里没有完全同名的接口文档还原类能力在 OCR「文档智能」接口族里有对应实现如MultimodalDocParse多模态解析·文档版行业单据字段抽取则常用智能结构化识别SmartStructuralOCRV2。资源包实际抵扣哪个接口以控制台【资源包管理】页说明为准。先说它们和通用印刷体的区别通用 OCR 是一行一行返回文字不管版面而文档还原类接口的目标是理解版面——哪行是标题、哪几行是一个段落、哪些内容属于表格。三、表格识别实战截图 → Excel 一条龙表格识别是我个人最推荐先用起来的一个TableOCR调用方式和通用 OCR 完全一样但返回里多了一个HTML字段——整张表格的 HTML天然带rowspan/colspan合并单元格信息。拿到 HTML转 Excel 只要几行 pandas# table_ocr.py —— 表格截图转 Excelimportbase64importioimportosimportpandasaspdfromtencentcloud.commonimportcredentialfromtencentcloud.ocr.v20181119importocr_client,models credcredential.Credential(os.environ[TENCENTCLOUD_SECRET_ID],os.environ[TENCENTCLOUD_SECRET_KEY],)clientocr_client.OcrClient(cred,ap-guangzhou)reqmodels.TableOCRRequest()withopen(table.jpg,rb)asf:req.ImageBase64base64.b64encode(f.read()).decode()respclient.TableOCR(req)# HTML 字段 - DataFrame - Exceltablespd.read_html(io.StringIO(resp.HTML))tables[0].to_excel(result.xlsx,indexFalse)print(已保存 result.xlsx共识别出,len(tables),张表)三个要点pd.read_html依赖lxml没有的话先pip install lxml返回的TextDetections里还有每个单元格的坐标和置信度做单元格级校对工具时很有用手机拍的表格要摆正、光线均匀格线糊了精度会明显下降。这次实测我准备了两张带完整表格线的业务表——一张采购订单带金额合计考验数字识别一张员工考勤表考验行列对齐图1 · 实测素材采购订单 6列×4行合计考勤表 7列×3行。都是程序用 PIL 按真实业务版式画的格线清晰、内容已知。四、办公文档还原整份文档变 Markdown文档还原类接口的输出不是零散的文字行而是按文档结构组织的内容。以 OCR 文档智能族的MultimodalDocParse多模态解析·文档版为例支持 PDF / Word / PPT / Excel / Markdown / TXT /图片/ WPS返回一个 zip 压缩包内含markdown、json 和图片相当于直接给你还原成可编辑文档的成品# doc_parse.py —— 整份文档解析还原多模态解析·文档版importosfromtencentcloud.commonimportcredentialfromtencentcloud.ocr.v20181119importocr_client,models credcredential.Credential(os.environ[TENCENTCLOUD_SECRET_ID],os.environ[TENCENTCLOUD_SECRET_KEY],)clientocr_client.OcrClient(cred,ap-guangzhou)reqmodels.MultimodalDocParseRequest()# 注意该接口通过 FileUrl 传文件建议文件放在腾讯云 COS 上下载更快更稳req.FileUrlhttps://example-bucket-125000000.cos.ap-guangzhou.myqcloud.com/report.pdfreq.FileType1# 1:PDF 2:Word 3:PPT 4:Excel 5:Markdown 6:TXT 7:图片 8:WPSrespclient.MultimodalDocParse(req)print(resp.to_json_string())# 内含解析结果 zip 下载地址解压即得 markdown/json/图片使用要点先传 COS 再解析文件 URL 建议用腾讯云存储下载稳定性更好PDF/Word/PPT 支持 150M 且 300 页以内图片支持 70M 以内以接口文档实时说明为准调试时用resp.to_json_string()打印完整返回SDK 的 Response 对象都支持这个方法比逐字段猜快得多。如果你拿到的办公文档还原资源包抵扣的是其他接口思路完全一样调接口 → 拿结构化结果 → 按结构拼 Markdown。五、行业文档识别版式固定的单据优先用它行业文档识别面向版式相对固定的行业文档做专项优化。选型逻辑很简单素材是某类标准行业单据物流运单、票据、医疗单据等→ 优先行业文档识别/结构化类接口字段结构化程度更高素材是任意版面的普通文档→ 办公文档还原 / 通用 OCR。如果需要按字段名抽取比如从运单里抽运单号、收件人、电话智能结构化识别SmartStructuralOCRV2是常用路径它支持指定要抽取的字段{ImageUrl:https://your-cos-url/waybill.jpg,ItemNames:[运单号,收件人,电话],ReturnFullText:false}在 API Explorerconsole.cloud.tencent.com/api/explorer产品选 ocr里选SmartStructuralOCRV2可以在线调试并自动生成 SDK 示例代码比手写快得多。六、组合玩法三条腾讯云能力串成一条扫描件 → 可编辑文档流水线单独用任何一个接口都平平无奇真正的专业度在编排。今天这三个腾讯云能力我按版面类型分流的思路串成了一条工作流图2 · 三能力组合流水线表格类走TableOCR整页文档走MultimodalDocParse标准单据走SmartStructuralOCRV2增强预处理是可选前哨第 12 篇专门讲最后一道人工抽查不可省。单页文档可以全自动成批素材建议加一个人工抽查环节——OCR 准确率已经很高但高准确率 × 大批量里漏掉的 1% 也够你改半天抽查比返工便宜。七、额度与使用策略三个包共 3000 次9 月 30 日到期。建议包策略表格识别只投给有明确表格线的图糊图先增强再识别别浪费次数办公文档还原整页文档素材的主力先跑一两页调好流程再批量行业文档识别确认支持你的行业版式后再批量投额度实况真机截图 真实跑批09-23 的复测里表格识别三档TableOCR/RecognizeTableOCR/RecognizeTableAccurateOCR各真实调用 1 次延迟 0.456s / 0.454s / 0.605sV2 与 V3 都直接返回了 base64 的 xlsxUEsDBBQ...就是 ZIP/xlsx 的文件头。控制台里表格识别V3的余量从 994 次走到 993 次和调用次数对得上。全部响应与 RequestId 落盘在ocr-lab/09-free-sweep/。八、遇到的问题与解决办法pd.read_html忘装 lxml 会直接报错HTML字段可能很长调试时别整段 print取前 200 字符看结构即可无边框表格用空格对齐的表格表格识别效果有限换高精度版 OCR 手动拼列拍照素材先摆正、切掉背景杂物这是性价比最高的预处理老规矩子账号密钥 环境变量代码仓库和博客里永远不出现真实密钥。九、总结 下期预告通用 OCR 管有没有字文档还原管长啥样。表格识别是我第一个会让你去试的——它把手工重建表格这种最磨人的活直接干掉了。 实测数据速览2026-09-21 真实调用我用 PIL 画了两张带完整表格线的业务表采购订单、员工考勤真调用TableOCR跑了一遍结果比预期好图片延迟识别单元格基准命中采购订单6列×4行合计0.62s31 个21/21 全命中员工考勤表7列×3行0.46s29 个10/10 全命中连159.50被识别成1 59.50多插了一个空格都只是格式差异——归一化后零错误。所有金额、数量、姓名一字不差。左边是喂进去的图右边是TableOCR返回后用单元格坐标重建的表格逐格对比零差错图3 · 实测输入 → 实测还原。注意1 59.50、1 992.00这两处多出来的空格——是唯一差异数字本身全对。重建出来的 Excel 打开长这样这是真实产物文件不是示意截图图4 ·table_purchase_clean.xlsx预览。同一份响应里接口还原生送了一份 xlsx见下两份都能直接用。文档里看不出门道但真正值钱的是这三条实测细节Data字段直接是 base64 编码的 xlsx 文件我原以为要自己拿 HTML 字段再转 Excel结果发现base64.b64decode(data[Data])写进.xlsx文件就能直接打开文件头UEsDBB就是 ZIP 魔数xlsx 本质是 zip。省掉了中间一整套转换逻辑。图5 · 排错日记别再从 HTML 硬转了——Data字段解 base64 就是现成 Excel要百分百规整的表用Text 坐标字段一行重建。字段名和通用 OCR 不一样表格接口的文本在Text字段不是DetectedText而且自带ColTl/RowTl/ColBr/RowBr单元格坐标 Typeheader/body。这意味着一行代码就能重建规整表格grid[(cell[RowTl],cell[ColTl])]cell[Text]别指望HTML字段至少 V1 返回里没有。想要百分百规整的表用坐标重建最稳空单元格的Confidence是 0、Text是空串可以直接过滤。原始响应 JSON、两张 Excel接口原生版 坐标重建版、生成脚本都在仓库ocr-lab/02-table-to-excel/你拉下来就能跑。下一篇《告别手工贴发票》我照样实测——把发票识别 核验跑通数据直接带回来给你看。系列导航00-选题计划 | 上一篇01-通用OCR六大接口横评实测 | 下一篇03-增值税发票识别与核验