Sh_Sci_Fig 使用指南

简介

Sh_Sci_Fig 是一个用于从学术 PDF 论文中精准提取图表和子图的工具。它能够自动识别图号、分割组合图中的各个子图，并以高质量 PNG 格式输出。

功能特性

自动图表检测 — 定位 Figure N / 图 N 等图号标题，自动确定图表边界
子图分割 — 将组合图分割成单个面板 (a), (b), (c)... 使用白空间分析 + OCR
高质量输出 — 可配置分辨率渲染（默认 600 DPI），适合论文发表
智能降级 — OCR 失败时自动降级到基于标题的网格分割

安装

前置要求

Python 3.9+
Tesseract OCR
- Windows: winget install UB-Mannheim.TesseractOCR
- Linux: pt install tesseract-ocr
- macOS: rew install tesseract

安装步骤

ash git clone https://github.com/xssjqx/Sh_Sci_Fig.git cd Sh_Sci_Fig pip install -r requirements.txt

快速开始

提取指定图表

ash python scripts/extract_figure.py paper.pdf -f 3

输出: igure_3.png

提取子图

ash python scripts/extract_figure.py paper.pdf -f 2 -s c

输出: igure_2c.png（只提取图 2 的 c 部分）

列出所有可用图表

ash python scripts/extract_figure.py paper.pdf --list

输出: Available figures: 1, 2a, 2b, 2c, 3, 4a, 4b, 5

提取所有图表

ash python scripts/extract_figure.py paper.pdf --all -o ./output/

输出: igure_1.png, igure_2a.png, igure_2b.png, ...

自定义分辨率和格式

ash python scripts/extract_figure.py paper.pdf -f 2 -s c -o ./output/ -d 300 --format jpg

命令行选项

选项	简写	说明	默认值
<input>		PDF 文件路径	必需
--figure	-f	要提取的图号（1, 2, 3...）	必需*
--subfigure	-s	子图标签（a, b, c...）	无
--output	-o	输出目录	当前目录
--dpi	-d	输出分辨率	600
--list	-l	列出所有可用图表
--all		提取所有图表
--format		输出格式（png 或 jpg）	png
--quiet	-q	抑制信息输出

*除非使用 --list 或 --all

输出文件命名

模式	文件名
完整图表	igure_3.png
子图	igure_3c.png

工作原理

文本提取 — 使用 pdfplumber 从每一页提取所有文本及其坐标
图号检测 — 正则表达式匹配 Fig. N / Figure N 等模式定位图号
边界计算 — 分析文本间隙确定图表区域
页面渲染 — PyMuPDF 以高 DPI 渲染页面，然后裁剪图表区域
子图分割 — 白空间投影分析找到网格结构；OCR + 标签识别分配面板标识符

常见问题

Q: 为什么提取的图表质量不好？

A: 尝试调整 DPI： ash python scripts/extract_figure.py paper.pdf -f 2 -d 1200

DPI 越高质量越好，但文件也会更大。推荐值：

屏幕查看: 300 DPI
论文发表: 600-1200 DPI

Q: 子图分割失败怎么办？

A: 如果 OCR 识别失败，工具会自动返回整个图表区域。可以：

检查 Tesseract 是否正确安装
尝试手动指定子图（如果支持）
使用 --quiet 查看详细错误日志

Q: 支持扫描版 PDF 吗？

A: 目前优先支持矢量版 PDF。扫描版 PDF 可能因为 OCR 准确率问题导致识别失败。

Q: 如何批量处理多个 PDF？

A: 使用 shell 脚本： ash for pdf in *.pdf; do python scripts/extract_figure.py --all -o ./output/ done

错误处理

场景	行为
PDF 不存在	清晰的错误提示和文件路径
PDF 加密	错误提示建议使用解密版本
图号不存在	错误提示并列出所有可用图号
OCR 失败	自动降级到网格分割
子图分割失败	返回整个图表区域并显示警告

依赖库

库	用途
pdfplumber	文本 + 坐标提取
PyMuPDF (fitz)	PDF → 高质量图像渲染
opencv-python	边界检测、轮廓分析
Pillow	图像格式转换
pytesseract	OCR 子图标签识别
NumPy	数组操作

许可证

AGPL-3.0-or-later — 详见 LICENSE

注意: 本项目使用 PyMuPDF (fitz)，其许可证为 AGPL v3。因此整个项目也必须采用 AGPL v3 或更高版本。

贡献

欢迎提交 Issue 和 Pull Request！

联系方式

如有问题或建议，请在 GitHub Issues 中提出。

README_CN