docx转PDF后图片被分割的原因及关联识别技术问询

1. 为何图片会被分割为多张？ #

Microsoft Print to PDF本质是模拟打印渲染流程，而非直接将DOCX元素无损转换为PDF结构。处理高分辨率宽幅图片时，会触发内部的「分块渲染」机制：

• 为优化PDF加载/渲染性能，避免单个图片XObject过大导致内存占用过高；
• 转换器内置了单张图片XObject的尺寸阈值，当原图宽度（或高度）超过阈值时，会自动切割为多个小尺寸XObject；
• 这类分块是打印系统的通用优化逻辑，和物理打印时的分页/分块渲染逻辑同源。

如果想避免该问题，建议使用Word自带的「导出为PDF」功能（而非打印到PDF），它更偏向文档结构的直接转换，不会轻易分割图片。

2. 分割后的XObject是否包含同源标记？ #

默认情况下没有标准内置标记。PDF的图片XObject本身没有专门字段记录「是否来自同一张原图」，Microsoft Print to PDF也不会主动添加自定义元数据标记这一点。

但可通过间接特征推断：

• XObject命名可能带有连续后缀（比如Im1、Im1_1、Im1_2）；
• 所有分割块的分辨率、颜色空间、位深度完全一致；
• 它们的Bounding Box（BBox）可拼接成完整矩形区域。

3. 如何判断分割方向及归属？ #

判断分割方向 #

提取每个图片XObject的**Bounding Box（边界矩形）**分析：

• 水平分割：所有块高度一致，Y轴坐标范围完全相同，X轴坐标连续且不重叠，宽度之和等于原图总宽度；
• 垂直分割：所有块宽度一致，X轴坐标范围完全相同，Y轴坐标连续且不重叠，高度之和等于原图总高度。

用PyMuPDF获取图片边界的示例代码：

import fitz

doc = fitz.open("your_file.pdf")
for page in doc:
    for img in page.get_images(full=True):
        xref = img[0]
        img_rect = page.get_image_rects(xref)[0]
        print(f"图片XRef: {xref}, 边界: {img_rect}")

识别分割片所属的原图 #

可通过以下方法聚类：

1. 位置聚类：将能拼接成完整连续矩形的图片块归为同一原图，不同原图的矩形区域不会重叠；
2. 命名前缀匹配：若XObject命名有统一前缀（比如第一张图的块是Im1开头，第二张是Im2开头），可通过前缀分组；
3. 属性一致性：同一张原图的分割块，其分辨率、颜色空间等属性完全一致，可作为辅助判断依据。

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