使用Python从PDF中提取饼图数据：基于图像处理的实战指南

pip install pdf2image

from pdf2image import convert_from_path
import os

def convert_pdf_to_images(pdf_path, output_folder="pdf_images", dpi=300):
    """
    将PDF的每一页转换为图像文件。

    Args:
        pdf_path (str): PDF文件的路径。
        output_folder (str): 存储输出图像的文件夹路径。
        dpi (int): 输出图像的分辨率（每英寸点数）。更高的DPI意味着更高的图像质量和更大的文件大小。

    Returns:
        list: 存储的图像文件路径列表。
    """
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    images = convert_from_path(pdf_path, dpi=dpi)
    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"已保存页面 {i+1} 为 {image_path}")
    return image_paths

# 示例使用
pdf_file = 'carbon-footprint-poweredge-m630.pdf' # 替换为您的PDF文件路径
# 下载示例PDF：https://i.dell.com/sites/csdocuments/CorpComm_Docs/en/carbon-footprint-poweredge-m630.pdf
# 请确保该PDF文件已存在于当前工作目录或提供完整路径
if not os.path.exists(pdf_file):
    print(f"错误：未找到PDF文件 '{pdf_file}'。请下载并放置到正确位置。")
else:
    converted_image_paths = convert_pdf_to_images(pdf_file)
    print("所有页面已转换为图像。")

import cv2
import numpy as np
import os

def analyze_pie_chart(image_path):
    """
    加载图像，进行灰度化、阈值处理并查找轮廓，以识别饼图扇区。

    Args:
        image_path (str): 包含饼图的图像文件路径。
    """
    if not os.path.exists(image_path):
        print(f"错误：图像文件 '{image_path}' 不存在。")
        return

    # 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}'。")
        return

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

    # 3. 阈值处理
    # 这一步很关键，可能需要根据实际图像调整阈值。
    # cv2.THRESH_BINARY_INV 表示像素值高于阈值的设为0（黑色），低于阈值的设为255（白色）。
    # 这有助于将深色扇区与浅色背景分离。
    _, thresh = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY_INV)

    # 4. 查找轮廓
    # cv2.RETR_EXTERNAL 只检测外层轮廓
    # cv2.CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段，只保留它们的端点
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    print(f"在图像 '{os.path.basename(image_path)}' 中找到的轮廓数量: {len(contours)}")

    # 5. 可视化轮廓（可选）
    # 在原始图像上绘制找到的轮廓，便于观察
    output_image = image.copy()
    cv2.drawContours(output_image, contours, -1, (0, 255, 0), 2) # 绿色轮廓，线宽2

    # 显示图像
    cv2.imshow('Image with Contours', output_image)
    cv2.waitKey(0) # 等待按键
    cv2.destroyAllWindows() # 关闭所有OpenCV窗口

    # 进一步的数据提取 (思路)
    if contours:
        print("\n正在尝试提取饼图数据...")
        total_area = 0
        contour_areas = []

        # 计算所有轮廓的总面积和每个轮廓的面积
        for i, contour in enumerate(contours):
            area = cv2.contourArea(contour)
            if area > 100: # 过滤掉过小的噪声轮廓，这个阈值可能需要调整
                contour_areas.append((i, area))
                total_area += area

        print(f"有效轮廓总面积: {total_area}")

        if total_area > 0:
            for i, area in contour_areas:
                percentage = (area / total_area) * 100
                print(f"轮廓 {i} (面积: {area:.2f}) 占总面积的 {percentage:.2f}%")
        else:
            print("未找到足够大的有效轮廓面积来计算百分比。")
    else:
        print("未找到任何有效轮廓。")

# 示例使用：分析第一个转换的图像
if 'converted_image_paths' in locals() and converted_image_paths:
    # 假设饼图在第一页或特定页，这里我们分析第一页的图像
    pie_chart_image_path = converted_image_paths[0] 
    analyze_pie_chart(pie_chart_image_path)
else:
    print("没有可供分析的图像。请先运行PDF转换步骤。")