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caption、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, block_no, block_type = block
    if "Fig." in text or "Figure" in text:
        print(f"Figure相关: y={y0:.0f}-{y1:.0f}, {text[:50]}...")

步骤2: 定位Caption位置#

python

# 搜索Fig. X的精确位置
text_instances = page.search_for(f"Fig. {fig_num}")
for inst in text_instances:
    print(f"Fig.{fig_num}位置: y={inst.y0:.0f}-{inst.y1:.0f}")

步骤3: 确定裁剪区域#

根据caption位置判断图形区域：

Caption位置图形区域y=400 (页面中部)y=100-395 (caption上方)y=666 (页面底部)y=350-660 (caption上方)y=326 (页面底部)y=100-320 (caption上方)

步骤4: 精确裁剪#

python

rect = fitz.Rect(50, y_start, page.rect.width - 50, y_end)
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2), clip=rect)
pix.save(f"fig{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caption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caption在底部，图形y=350-660
• Fig.2+: caption位置不固定，需要先分析

会议论文#

• 单栏布局: caption通常在图形下方
• 双栏布局: caption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caption之前结束

问题: 子图缺失#

原因: 裁剪范围太小 解决: 扩大y_start/y_end，包含完整图形

问题: caption未去除#

原因: 裁剪范围包含了caption区域 解决: 根据caption的y坐标精确调整裁剪边界

最佳实践#

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"