正文：

在数据分析工作中，PDF文件中的图表（如饼图）往往包含关键信息，但直接提取这些数据却是一大挑战。本文将手把手教你如何用Python结合图像处理技术，从PDF中高效提取饼图数据，并转化为结构化格式。

1. 为什么需要从PDF提取饼图数据？

许多行业报告、学术论文或商业文档以PDF形式发布，其中的饼图直观展示了比例分布。但PDF本质是“静态”格式，无法直接编辑或提取数据。传统手动录入效率低且易出错，而基于Python的自动化方案能大幅提升效率。

2. 技术方案概述

我们的流程分为三步：
1. PDF转图像：将PDF页面转为可处理的图片格式（如PNG）。
2. 图像分析与分割：定位饼图区域，分割不同颜色的扇形。
3. OCR识别：提取扇形标签和数值。

2.1 依赖库安装

确保安装以下Python库：

pip install pdf2image opencv-python numpy pytesseract matplotlib

3. 实战步骤详解

步骤1：PDF转图像

使用pdf2image将PDF转为图像：

from pdf2image import convert_from_path  

# 将PDF第一页转为PNG  
pages = convert_from_path("report.pdf", first_page=1, last_page=1)  
pages[0].save("page1.png", "PNG")

步骤2：定位饼图区域

用OpenCV检测圆形轮廓（饼图通常是圆形）：

import cv2  
import numpy as np  

image = cv2.imread("page1.png")  
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  
blurred = cv2.GaussianBlur(gray, (9, 9), 2)  

# 霍夫圆检测  
circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=50,  
                           param1=200, param2=30, minRadius=10, maxRadius=300)  

if circles is not None:  
    circles = np.uint16(np.around(circles))  
    for (x, y, r) in circles[0, :]:  
        cv2.circle(image, (x, y), r, (0, 255, 0), 3)  
    cv2.imwrite("detected_circle.png", image)

步骤3：扇形颜色分割

通过K-means聚类提取主要颜色，并计算扇形角度：

from sklearn.cluster import KMeans  

def extract_colors(img_path, n_colors=5):  
    img = cv2.imread(img_path)  
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  
    pixels = img.reshape(-1, 3)  
    kmeans = KMeans(n_clusters=n_colors)  
    kmeans.fit(pixels)  
    return kmeans.cluster_centers_.astype(int)

步骤4：OCR识别标签

使用Tesseract识别扇形旁的文本：

import pytesseract  

text = pytesseract.image_to_string(image, config="--psm 6")  
print("提取的文本：", text)

4. 优化与挑战

• 精度提升：若OCR识别不准，可训练自定义模型或调整预处理（如二值化）。
• 动态PDF：若PDF含矢量图形，优先用PyMuPDF提取原始数据，而非图像处理。

5. 完整代码示例

整合上述步骤的完整脚本：

# 参考前文代码片段，按需组合流程  
# 此处省略重复部分，实际需补充逻辑衔接

通过这套方法，即使是扫描版PDF中的饼图，也能自动化提取数据。接下来，你可以将结果导入Pandas进行进一步分析，或可视化对比原始数据。