扫描件转文字还不够：PaddleOCR 把表格和版面也接上了

一张扫描表识出了所有字，复制到 Excel 后却还是没法用：表头不知对应哪一列，合并单元格被拆散，空白区域也失去了位置。对于这种材料，目标不是多得到一串文字，而是把字和格子重新放到一起。

PaddleOCR 同时提供文字识别与文档结构解析路线。PP-StructureV3 关注版面、阅读顺序、表格等元素，并将通用表格识别 v2 列为可用子产线。下面沿这条子产线的官方中文样例，看它实际交付了哪些内容。PP-StructureV3 官方文档

同一张报销表，除了文字还留下什么

官方表格教程使用一张空白报销表：上方依次是部门、报销人、报销事由和批准人，右侧则放单据数量、合计金额及费用分类。大块空白区域和右侧窄列交错，普通逐行文字列表无法表达这种关系。官方输入原图

官方表格识别 v2 的可视化结果，点击可看原尺寸。看右侧“其中”纵向跨过多个费用行，以及左侧的大块空白单元格；这是官方样例，不是本文运行结果。原始教程

对应输出里有三类东西：rec_texts 保存识别出的字，cell_box_list 保存单元格位置，pred_html 用 HTML 表格表达行列及合并关系。三者各有用途，不应把 JSON 里的文字数组直接当成整张表。

看一个具体位置：官方 pred_html 的第一行按顺序放入“部门”、空格、“报销人”、空格、“报销事由”、空格，最后的“批准人”单元格带有 colspan="2"。下一行左侧的大空格则带 colspan="6" rowspan="8"，右边才是单据数量等小格。

这些标记的作用，是将“一格横跨几列、纵跨几行”保留下来。“其中”也以跨行单元格出现，右侧的车费、火车费等各占一行。只看文字，容易丢掉它们共同属于费用分类的关系；看表格结构，才知道文字原来摆在哪里。

想继续在 Excel 里用，已有直接出口

官方 Python 示例提供 save_to_xlsx()，可以将识别的表格保存为 XLSX；save_to_html() 用于查看表格，save_to_json() 则保留结构与坐标等结果。处理一张表时，不必先手工从文字数组拼出行列，再猜怎么转换成 Excel。表格识别 v2 使用示例

不过，这张官方材料是空白表单，能展示结构恢复，不能证明手写金额、实际票据或计算合计都已处理正确。导出的 XLSX 是识别材料的出口，不会自动变成符合自己财务台账字段的业务记录；表内单位、空值与后续字段映射仍属于另一层整理。

整页资料，为什么还要版面解析

表格子产线处理表格本身，PP-StructureV3 还要组织整页的标题、正文、图片与阅读顺序。它的结构化结果将版面内容与表格结果分开保存，方便后续既取出表格，也保留表格在文档里的上下文。

因此，截图摘一句话可以从文字识别开始；扫描材料中有完整表格、正文说明和多栏内容时，结构解析才更接近要拿走的成果。PaddleOCR 代码采用 Apache 2.0，本地使用仍要按所选管线安装依赖与模型。这个官方例子最清楚展示的是：空白也是表格结构的一部分，提取时不该因为那里没有字就消失。