OCR 识别结果怎么还原阅读顺序？按文字框坐标排序并检查跨栏错序

OCR 已返回文字和矩形坐标后，双栏文章如果只按 y 坐标排序，会变成“左第一行、右第一行、左第二行、右第二行”。下面用六个虚构文字框重建“先左栏，再右栏”的阅读顺序，并列出需要人工复核的版面情况。

准备与运行

本文只使用人工构造的教学材料，没有把示例结果当作真实项目效果。以下代码在 Windows 的 Python 3.11 独立环境执行通过。先在空目录运行安装命令，再将完整代码保存为 demo.py，执行 python demo.py。

python --version  # 只用 Python 标准库

识别与排序是两个步骤

示例中的 text、left、top、width、height 是已存在的文字框结果，不会重新识别图片。Tesseract 可输出包含文本和位置字段的 TSV；代码为了让步骤独立可跑，直接使用六条人工构造框。框坐标必须来自同一页和相同尺度，旋转、页码、空框先处理。

先打印只按 top、left 排序的顺序，它会交错两栏。随后取文字框中心 x，找最大的横向空隙作为左右栏分界，再分别按 top 排序。对普通双栏且栏间距明显的页面，这能给出可检查的候选顺序。

用版面例外限制自动结论

若存在跨两栏标题、表格、图片说明或页脚，仅凭最大 x 空隙就可能误分组。代码只对纯双栏正文给出候选；真实页面要先识别版面区域，并把跨栏框和低置信框交给人工核对。

核对时读重建后的句子是否连贯，并与原图逐行比照。顺序正确也不表示 OCR 字符无错；错字、漏字和表格结构是另外的问题。本文不会还原表格单元格。

完整代码

boxes = [
    {"id":"L1","text":"左栏第一行","left":10,"top":10,"width":80,"height":12},
    {"id":"R1","text":"右栏第一行","left":300,"top":10,"width":80,"height":12},
    {"id":"L2","text":"左栏第二行","left":10,"top":30,"width":80,"height":12},
    {"id":"R2","text":"右栏第二行","left":300,"top":30,"width":80,"height":12},
    {"id":"L3","text":"左栏第三行","left":10,"top":50,"width":80,"height":12},
    {"id":"R3","text":"右栏第三行","left":300,"top":50,"width":80,"height":12},
]
naive = sorted(boxes,key=lambda b:(b["top"],b["left"]))
print("naive_order",[b["id"] for b in naive])
centers = sorted(set(b["left"] + b["width"]/2 for b in boxes))
gaps = [(centers[i+1]-centers[i],i) for i in range(len(centers)-1)]
gap,index = max(gaps)
split = (centers[index]+centers[index+1])/2
left = sorted((b for b in boxes if b["left"]+b["width"]/2 < split),key=lambda b:b["top"])
right = sorted((b for b in boxes if b["left"]+b["width"]/2 >= split),key=lambda b:b["top"])
ordered = left + right
print("column_gap",gap,"split_x",split)
print("reading_order",[b["id"] for b in ordered])
print("reading_text","。".join(b["text"] for b in ordered))
assert [b["id"] for b in ordered] == ["L1","L2","L3","R1","R2","R3"]

运行结果与核对

下面是上述脚本在本地执行得到的输出；正式数据请按相同检查点复核。

naive_order ['L1', 'R1', 'L2', 'R2', 'L3', 'R3']
column_gap 290.0 split_x 195.0
reading_order ['L1', 'L2', 'L3', 'R1', 'R2', 'R3']
reading_text 左栏第一行。左栏第二行。左栏第三行。右栏第一行。右栏第二行。右栏第三行

核对 naive_order 为左右交错，reading_order 为 L1、L2、L3、R1、R2、R3；再逐行对照原图。真实 OCR 导出若跨栏标题的中心落在分界附近，应先识别标题区并人工调整，不可直接信任该排序。

适用边界

六个文字框完全虚构，代码只处理两栏、方向正常、坐标稳定的纯文字排版。它没有运行 OCR、识别表格或处理多页版面；最大间隔并非通用版面分析算法。

常见问题

能把 Tesseract TSV 直接丢进这段代码吗？

需先按页、段落或行合并词框，去掉空文本，再映射 left、top、width、height 字段；跨栏标题和表格仍要单独处理。

参考资料

以下官方资料已于 2026 年 10 月 1 日核对，分别用于确认文中接口或方法定义。

• Tesseract 官方命令行文档：TSV 输出与文字框信息