使用Python从PDF中提取饼图数据：基于图像处理的实战教程

pip install pdf2image

from pdf2image import convert_from_path
import os

def convert_pdf_to_images(pdf_path, output_folder="pdf_images"):
    """
    将PDF文件转换为一系列图像。
    :param pdf_path: PDF文件的路径。
    :param output_folder: 存储生成图像的文件夹。
    :return: 生成图像的文件路径列表。
    """
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    images = convert_from_path(pdf_path)
    image_paths = []
    for i, image in enumerate(images):
        image_path = os.path.join(output_folder, f"page_{i+1}.png")
        image.save(image_path, "PNG")
        image_paths.append(image_path)
    print(f"PDF '{pdf_path}' 已转换为 {len(images)} 张图像并保存到 '{output_folder}'。")
    return image_paths

# 示例用法
# 请将 'path/to/your/document.pdf' 替换为实际的PDF文件路径
# pdf_file = 'path/to/your/document.pdf' 
# image_files = convert_pdf_to_images(pdf_file)

pip install opencv-python

import cv2
import numpy as np

def analyze_pie_chart_slices(image_path):
    """
    加载图像，识别饼图切片，并显示结果。
    :param image_path: 包含饼图的图像路径。
    """
    # 1. 加载图像
    image = cv2.imread(image_path)
    if image is None:
        print(f"错误：无法加载图像 '{image_path}'。请检查路径。")
        return

    # 2. 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 3. 阈值化处理
    # 使用二值反转阈值，将饼图切片（通常颜色较深）变为白色，背景变为黑色
    # 阈值128是一个经验值，可能需要根据具体图像调整
    _, thresh = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY_INV)

    # 4. 查找轮廓
    # RETR_EXTERNAL 仅检测最外层轮廓，CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    print(f"在图像 '{image_path}' 中检测到 {len(contours)} 个可能的切片轮廓。")

    # 5. 绘制轮廓（可选：用于可视化）
    # 在原始图像上绘制所有检测到的轮廓，颜色为绿色 (0, 255, 0)，线条粗细为2
    image_with_contours = image.copy()
    cv2.drawContours(image_with_contours, contours, -1, (0, 255, 0), 2)

    # 6. 显示结果
    cv2.imshow('原始图像', image)
    cv2.imshow('灰度图', gray)
    cv2.imshow('阈值图', thresh)
    cv2.imshow('带有轮廓的图像', image_with_contours)
    cv2.waitKey(0) # 等待按键，然后关闭所有窗口
    cv2.destroyAllWindows()

    return contours, image # 返回轮廓和原始图像，以便进一步处理

# 示例用法
# 假设我们已经将PDF转换为图像，并获取了第一页的图像路径
# if image_files:
#     pie_chart_image_path = image_files[0] # 假设饼图在第一页
#     detected_contours, original_image = analyze_pie_chart_slices(pie_chart_image_path)

def calculate_slice_percentages(contours, total_chart_area=None):
    """
    计算每个饼图切片的面积，并估算其在总面积中的百分比。
    :param contours: 饼图切片的OpenCV轮廓列表。
    :param total_chart_area: 如果已知整个饼图的面积，可以提供，否则会从所有切片面积之和计算。
    :return: 包含每个切片面积和百分比的列表。
    """
    slice_data = []

    # 计算每个切片的面积
    areas = [cv2.contourArea(c) for c in contours]

    # 如果未提供总图表面积，则假定为所有切片面积之和
    if total_chart_area is None:
        total_chart_area = sum(areas)

    if total_chart_area == 0:
        print("警告：总图表面积为零，无法计算百分比。")
        return []

    for i, area in enumerate(areas):
        percentage = (area / total_chart_area) * 100
        slice_data.append({
            'slice_index': i,
            'area': area,
            'percentage': percentage
        })
    return slice_data

# 示例：
# if 'detected_contours' in locals() and detected_contours:
#     slice_percentages = calculate_slice_percentages(detected_contours)
#     for data in slice_percentages:
#         print(f"切片 {data['slice_index']}: 面积={data['area']:.2f}, 占比={data['percentage']:.2f}%")

def get_average_color(image, contour):
    """
    获取给定轮廓区域内的平均颜色。
    :param image: 原始图像。
    :param contour: OpenCV轮廓。
    :return: BGR格式的平均颜色元组。
    """
    mask = np.zeros(image.shape[:2], dtype="uint8")
    cv2.drawContours(mask, [contour], -1, 255, -1) # 填充轮廓区域
    mean_color = cv2.mean(image, mask=mask)[:3] # 获取BGR通道的平均值
    return tuple(map(int, mean_color))

def map_colors_to_categories(slice_data, original_image, contours, color_category_map=None):
    """
    为每个切片添加平均颜色信息，并尝试映射到类别。
    :param slice_data: 包含切片面积和百分比的列表。
    :param original_image: 原始彩色图像。
    :param contours: 饼图切片的OpenCV轮廓列表。
    :param color_category_map: 一个字典，键为颜色元组，值为类别字符串。
    :return: 更新后的切片数据列表。
    """
    updated_slice_data = []
    for i, data in enumerate(slice_data):
        contour = contours[i]
        avg_color = get_average_color(original_image, contour)
        data['average_color_bgr'] = avg_color

        if color_category_map:
            # 简单匹配，实际可能需要更复杂的颜色相似度算法
            matched_category = None
            for color_key, category_name in color_category_map.items():
                # 假设颜色完全匹配，实际需考虑颜色容差
                if avg_color == color_key: 
                    matched_category = category_name
                    break
            data['category'] = matched_category if matched_category else "未知类别"
        updated_slice_data.append(data)
    return updated_slice_data

# 示例：
# 假设我们有一个颜色到类别的映射
# color_map = {
#     (100, 100, 200): "类别A", # 示例颜色 (B, G, R)
#     (200, 100, 100): "类别B",
#     (100, 200, 100): "类别C"
# }
# if 'slice_percentages' in locals() and 'original_image' in locals():
#     final_slice_data = map_colors_to_categories(slice_percentages, original_image, detected_contours, color_map)
#     for data in final_slice_data:
#         print(f"切片 {data['slice_index']}: 颜色={data['average_color_bgr']}, 类别={data.get('category', 'N/A')}, 占比={data['percentage']:.2f}%")

pip install pytesseract

import pytesseract

def extract_text_from_region(image, region_coords):
    """
    从图像的指定区域提取文本。
    :param image: 原始图像。
    :param region_coords: 区域坐标 (x, y, w, h)。
    :return: 提取到的文本。
    """
    x, y, w, h = region_coords
    roi = image[y:y+h, x:x+w]
    text = pytesseract.image_to_string(roi, lang='eng') # 指定语言，例如 'eng'
    return text.strip()

# 示例：
# 假设我们知道某个切片旁边标签的近似坐标
# label_region = (x, y, w, h) # 需要手动或通过其他图像处理方法确定
# if 'original_image' in locals():
#     extracted_label = extract_text_from_region(original_image, label_region)
#     print(f"提取到的标签文本: {extracted_label}")