Aska

画像から表を自動で抽出！PaddleOCR × Pandas で簡単データ化

はじめに

スキャンした請求書、帳票、領収書など「画像として保存された表データ」を、手作業で Excel に入力していませんか？

本記事では、Python ライブラリ PaddleOCR の中のドキュメント構造解析機能である PP-StructureV3 を使って、画像内の表を自動で読み取り、pandas の DataFrame 形式で取り出す方法 を解説します。

なぜ PaddleOCR を選んだのか？

OCR ライブラリには Tesseract OCR や EasyOCR などもありますが、これらを試した結果、PaddleOCR が最も文字認識の精度が高く、文字列検出能力に優れていました。

また、表構造を自動で認識し HTML 形式で出力できる機能（PP-StructureV3）は、他の OCR ライブラリにはなく、表データの自動抽出に最適だったため、PaddleOCR を採用しています。

使用パッケージ

パッケージ	用途・説明
paddleocr	OCR 処理を行うツール群。文字認識や文書構造解析（PP-StructureV3）により表やレイアウト検出も可能
paddlepaddle	PaddleOCR の動作に必要な深層学習フレームワーク。PaddleOCR の演算エンジンとして機能する
setuptools	Python のモジュールを構築・配布するための支援ツール。未インストール時は PaddleOCR 実行時にエラーが発生
pandas	表形式データの操作や変換を行うためのデータ分析ライブラリ。HTML テーブルの読み込みなどに利用
jupyter	コードの実行や可視化を対話的に行える開発環境。実験や検証、デバッグに便利

環境構築（Windows + CPU 版の例）

Python バージョンの確認

まず、Python のバージョン 3.9～3.13 がインストールされていることを確認してください。
ターミナル（PowerShell）で以下のコマンドを実行します。

PS> python --version
Python 3.13.3

仮想環境の作成と有効化

他のプロジェクトと依存関係が混ざらないよう、仮想環境を作成します。

# 仮想環境の作成
PS> python -m venv .venv

# 仮想環境の有効化
PS> .\.venv\Scripts\activate
(.venv) PS> 

必要なパッケージのインストール

以下の順番で必要なパッケージをインストールしていきます。

pip のアップグレード

(.venv) PS> python -m pip install --upgrade pip

PaddlePaddle（CPU 版）

(.venv) PS> python -m pip install paddlepaddle==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

ℹ️ GPU 版や他の OS でのインストール方法は、以下の公式ページを参照してください：
https://www.paddlepaddle.org.cn/en/install/quick?docurl=/documentation/docs/en/develop/install/pip/windows-pip_en.html

PaddleOCR

(.venv) PS> python -m pip install paddleocr

setuptools

(.venv) PS> python -m pip install setuptools

開発補助ツール（任意）のインストール

以下は PaddleOCR の実行に必須ではありませんが、作業効率を上げるためにインストールしておくと便利です。

Jupyter Notebook（ノート形式での実行・デバッグ用）

(.venv) PS> python -m pip install notebook

pandas（OCR 結果を DataFrame として扱いたい場合）

(.venv) PS> python -m pip install pandas

検証画像

以下は勤怠の画像ファイルです。
この画像を解析して DataFrame に変換します。

表抽出の実行コード（最小構成）

以下のコードで、画像内の表を自動的に抽出・解析し、DataFrame に変換できます。

from paddleocr import PPStructureV3
import pandas as pd

# 表構造認識用の OCR エンジンを初期化
engine = PPStructureV3()

# 処理対象の画像パスを指定（表が写っている画像）
img_path = 'kintai.png'

# 画像から表構造を解析（表があると判断された領域ごとに結果が返る）
results = engine.predict(img_path)

# 最初の表領域の情報を取り出す（通常1画像に1表のケースが多いため）
res = results[0]

# 表の HTML 構造を取得（PPStructureV3 が出力する推定結果）
table_res_list = res.get('table_res_list', [])

# 表構造 HTML を取得（予測結果があれば1つ目を使用）
html = table_res_list[0].get('pred_html', '') if table_res_list else ''

# HTML 構造が取得できていれば、それを pandas で DataFrame に変換
if html:
    try:
        # pandas.read_html は HTMLの table タグを自動で解析して DataFrame に変換する
        dfs = pd.read_html(html)
        df = dfs[0]  # 最初のテーブルだけ取り出す（通常1つ）
        display(df)  # JupyterでDataFrameをきれいに表示
    except Exception as e:
        print("HTML 解析中にエラーが発生しました:")
        print(e)
else:
    print("表のHTML構造が取得できませんでした。")

実行結果

display により DataFrame の内容が下記のように出力されます。

解説のポイント

PPStructureV3 とは？

• PaddleOCR が提供する表構造解析用の OCR エンジン
• 画像内のテキストだけでなく、セル・行・列といった表の構造も認識
• 認識結果を HTML 形式で出力可能

table_res_list とは？

• PPStructureV3 の predict() が返す結果に含まれるキー
• 画像内に存在する各表の解析結果を格納したリスト

table_res_list の構造

'table_res_list': [
    {
        'cell_box_list': [ ... ],        # 各セルの座標（矩形）
        'neighbor_texts': '',            # 周辺テキスト（未使用/空）
        'pred_html': '...', # 表のHTML構造（DataFrame化に使用）
        'table_ocr_pred': {
            'rec_boxes': [ ... ],        # 各テキストのバウンディングボックス
            'rec_polys': [ ... ],        # テキストの多角形領域
            'rec_scores': [ ... ],       # テキストごとの信頼度（0〜1）
            'rec_texts': [ ... ],        # 認識された文字列
        },
        'table_region_id': 1             # 複数表がある場合の識別ID
    }
]

各フィールドの補足説明

• cell_box_list：
  各セルの 矩形領域（座標）情報 が含まれています。
  表の物理的なレイアウト（セルの位置・サイズ）を再構築する際に利用できます。
• pred_html：
  予測された HTML 形式の表構造です。
  pandas.read_html() にそのまま渡して、DataFrame に変換できます。
• table_ocr_pred：
  OCR の生出力が格納されています。
  各セル内の文字について、位置情報・内容・信頼度 などの詳細な情報を取得可能です。

pandas.read_html の強み

• HTML の table タグを自動的に解析して、DataFrame に変換できます。
• rowspan や colspan による結合セルにも対応しています。
• Jupyter Notebook 上で、表形式として簡単に表示・操作が可能です。

注意点

• GPU が搭載されていない低スペックな PC では、画像解析に数分かかる場合があります。
• pandas.read_html() を使用すると、HTML テーブル内で rowspan や colspan によって結合されているセルも、自動的に分割されます。そのため、DataFrame 上では通常の行・列として扱われる形になります。
• 結合セルの構造を正確に再現したい場合や、細かく制御したい場合には、

  BeautifulSoup

  などを用いて手動で処理する必要があります。
• PaddleOCR が出力する HTML は、あくまで予測結果です。読み取り精度には限界があります（手動補正も必要になることがあります）
• 表や文字列がうまく検出されない場合は、画像の前処理（解像度の向上やノイズ除去など）を行うことで、精度が改善することがあります。

応用：DataFrame を Excel に保存

認識された表は、以下のようにして Excel ファイルとして保存できます。

df.to_excel('output.xlsx', index=False)

おわりに

PaddleOCR の表構造解析機能（PPStructureV3）を活用することで、次のような処理が可能になります：

• 画像内の表を自動的に検出・解析
• 表構造を HTML 形式で取得
• HTML を pandas で読み取り、Excel や CSV 形式に変換

これにより、帳票処理やレポート集計といった業務の自動化・効率化が実現できます。