如何用Python识别Word生成PDF中的图表？

• 用PyMuPDF（fitz）分析图形元素
  Word转的PDF里，图表一般由矢量路径、形状或嵌入图像构成。PyMuPDF能提取页面所有图形对象，你可以遍历每页，统计page.get_drawings()返回的路径数量，或者检查page.get_images()是否有嵌入图像。如果某页的图形元素数量远多于普通文本页，就判定存在图表（返回True）。

• 借助PDFBox的Python绑定
  PDFBox能解析PDF底层结构，Word生成的PDF会保留图表的结构标记。你可以用PyPDFBox提取页面中的图像，或者遍历页面的COS对象，通过识别大量非文本、非表格的图形集群来判断是否有图表。

• 结合文本密度与图形占比判断
  普通文本页的文本占比高，图形少；带图表的页面则相反。先用pdfplumber获取文本的边界框，计算文本区域占页面总面积的比例，再结合PyMuPDF的图形元素数量——当文本占比低于设定阈值且图形元素较多时，返回True。

• 利用Word转PDF的结构树特征
  Word生成的PDF里，图表会在结构树（StructTree）中被标记为"Figure"或"Graphic"类型的节点。用PyMuPDF的page.get_struct_tree()获取结构树，遍历节点查找这类标识，就能直接识别图表是否存在。

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