请求协助：使用Python提取指定PDF中的饼图数据

针对你提到的戴尔PowerEdge M630碳足迹PDF中的饼图数据提取需求，结合你已经尝试过PyPDF2、PyMuPDF的情况，下面是更实用的方法和工具：

一、图像识别路线（应对位图格式饼图） #

多数PDF里的饼图是位图图像，没法直接提取矢量数据，得先导出图像再做OCR和图形分析：

• 核心工具：PyMuPDF（提取图像） + pytesseract（识别数值标签） + opencv-python（图像预处理）
• 示例代码：

  import fitz
  import pytesseract
  from PIL import Image
  import io
  
  # 打开PDF并提取图像
  doc = fitz.open("carbon-footprint-poweredge-m630.pdf")
  # 替换为饼图所在的页码（从0开始）
  target_page = doc.load_page(2)
  image_list = target_page.get_images(full=True)
  
  for idx, img_info in enumerate(image_list):
      xref = img_info[0]
      img_data = doc.extract_image(xref)
      img = Image.open(io.BytesIO(img_data["image"]))
      # 保存图像
      img.save(f"pie_chart_{idx}.png")
      # 识别图像中的文字（饼图的百分比/数值标签）
      extracted_text = pytesseract.image_to_string(img, lang="eng")
      print(f"提取到的标签文本:\n{extracted_text}")
  

  注意：需提前安装Tesseract OCR引擎，Windows/macOS用户要手动配置环境变量指向Tesseract的安装路径。

二、矢量PDF数据提取（应对矢量格式饼图） #

如果PDF里的饼图是矢量图形（可右键复制图形元素），可以用以下工具提取路径信息，进而计算扇区占比：

• pdfplumber：比PyMuPDF更擅长解析PDF的结构化矢量元素，能获取饼图扇形的路径坐标、角度等信息：

  import pdfplumber
  
  with pdfplumber.open("carbon-footprint-poweredge-m630.pdf") as pdf:
      page = pdf.pages[2]  # 目标页码
      # 获取页面所有矢量图形
      for shape in page.shapes:
          # 筛选饼图的扇形路径（通常是curve类型）
          if shape["type"] == "curve":
              # 打印路径的坐标点，可用于计算角度/面积
              print(f"路径坐标: {shape['points']}")
  

  进阶：通过计算每个扇形的角度占总圆周的比例，结合旁边的文本标签，匹配对应数值。

• camelot-py：如果饼图旁边附带了对应的数据表格，优先用这个库提取表格数据，比直接识别饼图准确率高得多：

  import camelot
  
  # 提取表格，需调整参数匹配表格位置
  tables = camelot.read_pdf("carbon-footprint-poweredge-m630.pdf", pages="2")
  # 输出表格数据
  tables[0].df.to_csv("pie_chart_data.csv", index=False)
  

三、新手快速验证建议 #

1. 先确认饼图类型：打开PDF，右键点击饼图，若能复制图形则是矢量图，否则是位图。
2. 优先找饼图旁的表格：很多技术文档的饼图都会附带对应的数据表格，提取表格比识别图像效率高10倍。
3. 若用OCR，先对图像做裁剪：只保留饼图和标签区域，能大幅提升识别准确率。

内容的提问来源于stack exchange，提问作者Santhosh Devadurga