PDF Figure Extractor

一个用于从学术论文 PDF 中提取完整 figure 图片的工具。它会自动定位 Figure / Fig. caption，识别对应图像区域，并将 figure 主体和 caption 合并导出，同时生成便于检查和二次处理的 Markdown 与 JSON 结果。

项目同时提供命令行版和 GUI 版，适合快速处理单篇论文，也适合批量处理一个目录下的多个 PDF。

项目效果

GUI 首页

输出示例

以下示例来自 docs/paper_002.pdf 的实际提取结果，输出目录位于 docs/examples/paper_002/。

示例 1：完整结构图 + caption

示例 2：多子图排版

示例 3：密度分布图

功能特性

• 支持单个 PDF 文件处理
• 支持批量处理目录下的多个 PDF
• 自动识别 Figure / Fig. caption
• 自动裁剪并导出完整 figure
• 支持单栏、双栏、通栏页面
• 支持基于图像、矢量绘图、栅格区域的多种提取方式
• 默认过滤部分图表类 figure，也可手动保留
• 同时输出 images/、figures.md、figures.json
• 提供命令行和 GUI 两种使用方式

项目结构

.
├─ extract_figures.py              # 命令行主脚本
├─ figure_extractor_gui.py         # GUI 入口
├─ docs/
│  ├─ paper_002.pdf                # 示例 PDF
│  ├─ paper_003.pdf                # 示例 PDF
│  ├─ screenshots/
│  │  └─ gui-home.png              # README 展示用 GUI 截图
│  └─ examples/
│     └─ paper_002/
│        ├─ figures.json           # 示例结构化输出
│        ├─ figures.md             # 示例 Markdown 输出
│        └─ images/                # 示例提取图片
├─ .gitignore
├─ LICENSE
└─ README.md

环境要求

• Python 3.9 及以上
• PyMuPDF
• GUI 模式下需要本机可用的 tkinter

安装

pip install pymupdf

快速开始

1. 命令行模式

处理单个 PDF：

python extract_figures.py ./docs/paper_003.pdf -o ./figure_output

批量处理目录中的多个 PDF：

python extract_figures.py ./docs -o ./figure_output

保留图表类 figure：

python extract_figures.py ./docs/paper_003.pdf -o ./figure_output --keep-chart-like

2. GUI 模式

启动图形界面：

python figure_extractor_gui.py

GUI 支持：

• 选择单个 PDF 或 PDF 目录
• 设置输出目录
• 设置 DPI
• 设置 padding
• 选择是否保留图表类 figure
• 查看运行日志

常用参数

• input：输入 PDF 文件，或包含 PDF 的目录
• -o, --output：输出目录，默认 ./figure_output
• --dpi：导出图片分辨率，默认 300
• --padding：裁剪区域四周留白，默认 8
• --min-width：保留的最小图像宽度，默认 50
• --min-height：保留的最小图像高度，默认 50
• --top-floor：忽略页面顶部区域的基准线，默认 55
• --skip-chart-like：过滤图表类 figure，默认开启
• --keep-chart-like：关闭过滤，保留图表类 figure

输出结构

默认输出目录如下：

figure_output/
└─ paper_003/
   ├─ figures.json
   ├─ figures.md
   └─ images/
      ├─ page_003_figure_2_1.png
      ├─ page_003_figure_3_2.png
      └─ ...

输出文件说明：

• images/：提取后的 figure 图片，每张图片已包含对应 caption
• figures.md：Markdown 索引，适合人工快速检查
• figures.json：结构化结果，适合后续程序处理

说明

• 当前项目聚焦于“从 PDF 中提取完整 figure + caption”
• 示例 PDF 仅用于测试与演示
• 某些 PDF 如果文本层编码异常，caption 识别结果可能受影响
• 图表类过滤目前基于 caption 关键词规则，不是图像分类模型

License

本项目使用仓库中的 LICENSE。