Python实现PDF图例识别与地图符号统计的可行性咨询

针对你的需求，根据符号类型（文本字符/图形符号），可以用以下两种新手友好的方案实现：

场景1：符号是可识别的文本字符（如X、★等） #

这种情况用文本提取工具就能快速实现，推荐用pdfplumber（比PyPDF2的文本提取准确率更高）。

步骤与代码 #

1. 先安装依赖：

pip install pdfplumber

2. 编写代码（注释已标注新手可调整的部分）：

import pdfplumber

# 替换成你的PDF文件路径
pdf_path = "your_map.pdf"

with pdfplumber.open(pdf_path) as pdf:
    # 提取第1页（图例）的文本（PDF页码从1开始，代码里索引是0）
    legend_page = pdf.pages[0]
    legend_text = legend_page.extract_text()
    
    # 解析图例：根据你的实际格式调整拆分逻辑
    # 示例格式："符号X代表宝藏" → 拆成 {'X': '宝藏'}
    symbol_map = {}
    for line in legend_text.split('\n'):
        # 跳过空行
        if not line.strip():
            continue
        # 按你的图例分隔符拆分，比如这里用“代表”
        if "代表" in line:
            symbol_part, meaning = line.split("代表", 1)
            # 提取符号（去掉“符号”前缀，清理空格）
            symbol = symbol_part.replace("符号", "").strip()
            symbol_map[symbol] = meaning.strip()
    
    # 提取第2页（地图）的文本
    map_page = pdf.pages[1]
    map_text = map_page.extract_text()
    
    # 统计每个符号的出现次数
    symbol_counts = {}
    for symbol in symbol_map:
        symbol_counts[symbol] = map_text.count(symbol)
    
    # 输出结果
    print("符号统计结果：")
    for symbol, meaning in symbol_map.items():
        print(f"{symbol}（{meaning}）：{symbol_counts[symbol]}次")

调整提示 #

如果你的图例格式是X: 宝藏或X-宝藏，只需把代码里的split("代表", 1)改成split(":", 1)或split("-", 1)即可。

场景2：符号是自定义图形（无法提取为文本，如扫描件里的特殊图标） #

这种情况需要先把PDF转成图片，再用OCR（光学字符识别）工具提取内容，推荐用pdf2image+pytesseract组合。

步骤与代码 #

1. 安装依赖：

pip install pdf2image pytesseract pillow

注意：还需要下载安装Tesseract OCR引擎，并在代码里配置其路径（新手必做）。

2. 编写代码：

from pdf2image import convert_from_path
import pytesseract
from PIL import Image

# 配置Tesseract的安装路径（Windows示例，Mac/Linux无需此配置，确保已加入环境变量）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 替换成你的PDF文件路径
pdf_path = "your_map.pdf"

# 把PDF的第1、2页转成图片
pages = convert_from_path(pdf_path, pages=[0, 1])

# 处理图例页（第0张图片）
legend_img = pages[0]
# 识别中文用lang='chi_sim'，英文可省略该参数
legend_text = pytesseract.image_to_string(legend_img, lang='chi_sim')

# 解析图例（逻辑和文本场景一致）
symbol_map = {}
for line in legend_text.split('\n'):
    if not line.strip():
        continue
    if "代表" in line:
        symbol_part, meaning = line.split("代表", 1)
        symbol = symbol_part.replace("符号", "").strip()
        symbol_map[symbol] = meaning.strip()

# 处理地图页（第1张图片）
map_img = pages[1]
map_text = pytesseract.image_to_string(map_img, lang='chi_sim')

# 统计符号次数
symbol_counts = {symbol: map_text.count(symbol) for symbol in symbol_map}

# 输出结果
print("符号统计结果：")
for symbol, meaning in symbol_map.items():
    print(f"{symbol}（{meaning}）：{symbol_counts[symbol]}次")

进阶提示 #

如果图形无法被OCR识别，可尝试用OpenCV的模板匹配功能：截取图例中的符号作为模板，在地图页中搜索匹配的图形区域并统计数量。这部分需要基础的图像知识，新手可以先从OCR方案入手。

常见问题解决 #

• 若PDF是扫描件：必须用场景2的OCR方案，因为扫描件本质是图片，没有文本层。
• 文本提取乱码：试试pdfplumber的extract_text(layout=True)参数，保留排版结构。
• OCR识别不准：可以调整图片分辨率（convert_from_path的dpi=300参数）、增强对比度，或训练Tesseract自定义字符集。

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