PDF Figure提取技能

使用场景

• - 从学术论文PDF提取Figure插入Word文档
• 需要干净、无标题、无正文的纯图形图片
• 批量提取多个Figure

标准工作流程

步骤1: 分析PDF结构

python import fitz

doc = fitz.open(pdf_path)
page = doc[page_num]

获取所有文本块

blocks = page.get_text(blocks) for block in blocks: x0, y0, x1, y1, text, blockno, blocktype = block if Fig. in text or Figure in text: print(fFigure相关: y={y0:.0f}-{y1:.0f}, {text[:50]}...)

步骤2: 定位标题位置

python

搜索Fig. X的精确位置

textinstances = page.searchfor(fFig. {fig_num}) for inst in text_instances: print(fFig.{fig_num}位置: y={inst.y0:.0f}-{inst.y1:.0f})

步骤3: 确定裁剪区域

根据标题位置判断图形区域：

标题位置	图形区域
y=400 (页面中部)	y=100-395 (标题上方)
y=666 (页面底部)

y=350-660 (标题上方) | | y=326 (页面底部) | y=100-320 (标题上方) |

步骤4: 精确裁剪

python rect = fitz.Rect(50, ystart, page.rect.width - 50, yend) pix = page.get_pixmap(matrix=fitz.Matrix(2, 2), clip=rect) pix.save(ffig{fig_num}.png)

步骤5: 验证图片质量

检查清单：

• - [ ] 包含所有子图(a,b,c,d...)
• [ ] 没有混入Fig. X开头的标题文字
• [ ] 没有混入正文段落
• [ ] 坐标轴和标签完整

常见PDF布局模板

Nature/Science论文

• - Fig.1: 通常标题在底部，图形y=350-660
• Fig.2+: 标题位置不固定，需要先分析

会议论文

• - 单栏布局: 标题通常在图形下方
• 双栏布局: 标题可能在图形上方或下方

错误处理

问题: 图片混入正文

原因: 裁剪范围太大 解决: 缩小y_end，确保在标题之前结束

问题: 子图缺失

原因: 裁剪范围太小 解决: 扩大ystart/yend，包含完整图形

问题: 标题未去除

原因: 裁剪范围包含了标题区域 解决: 根据标题的y坐标精确调整裁剪边界

最佳实践

1. 1. 永远不要凭感觉估计坐标
2. 始终先分析PDF文本块结构
3. 高分辨率渲染: 使用matrix=fitz.Matrix(2, 2)
4. 验证每张图片: 确保干净无杂质
5. 记录坐标: 为常见PDF类型建立坐标模板

触发关键词

提取PDF图片, 从PDF提取Figure, PDF图片裁剪, 学术论文图片提取