**在Python中计算“长宽”并不只有一种答案：关键在于明确对象（图像、数组、字符串、视频、文档或可视化图形）、单位（像素、点、英寸、字符宽度）、方向（宽度width与高度height的顺序）与元数据（DPI、旋转、比例）。**正确做法是：选对领域库（如Pillow、NumPy、OpenCV、PyPDF2、Matplotlib等），读取原生尺寸，再按需要将单位转换为统一规范（例如像素或英寸），并处理EXIF旋转、DPI或显示宽度等细节，这样才能在自动化脚本与工程化流程中稳定得到“长宽”。

## 一、核心思路与常见误区

在Python里计算长宽的核心思路，是先判定“对象类型与语义单位”，再决定调用何种API。**图像与视频通常以像素为单位，文档（PDF、Word）有点或英寸的页面尺寸，绘图对象（Matplotlib）以英寸与DPI折算像素，数组矩阵以shape反映轴向长度而非物理长度，字符串的len是码位数不是显示宽度。**当我们把“长宽”抽象为width、height与unit，再附带dpi、orientation、aspect_ratio等元数据时，就能建立可比与可计算的统一尺度，用于后续转换、校验与呈现。

面向实际开发，最常见的误区有三类。第一，**轴顺序混淆**：Pillow的Image.size返回(width, height)，而OpenCV读入的ndarray.shape是(height, width, channels)，两者顺序相反。第二，**单位错位**：PDF页的point与图像像素不是一回事，字符串的len也不等于终端的显示宽度。第三，**元数据忽略**：EXIF旋转会让图片原像素矩阵与理应显示的长宽不同，视频容器中的旋转标签也会导致“看起来的宽高”与帧矩阵不一致。**识别并消解这些误区，是得到可信长宽的关键步骤。**

为了工程可复用，建议建立“长宽决策树”。第一步，明确对象域：图像/视频、数组/矩阵、文本/终端、文档/可视化。第二步，选择权威库并读取原生尺寸：如Pillow取Image.size，NumPy查shape，OpenCV取frame.shape或VideoCapture属性，PyPDF2读Page MediaBox，Matplotlib查figure.get_size_inches。**第三步，统一到约定模型：width_px、height_px与unit，并附带dpi、rotate、pixel_aspect，必要时换算（如点转像素）。**第四步，做一致性校验与日志记录，避免后续环节出现难以追踪的尺寸错误。

为便于快速选型，下面给出不同场景下“算长宽”的方法对比，涵盖API入口、返回含义与典型陷阱。**在多库协同场景下，始终保持对“轴顺序”和“单位语义”的显式注释，是避免维护成本爆炸的有效手段。**

| 场景 | 推荐库与API | 返回/单位 | 关键注意点 |
| --- | --- | --- | --- |
| 位图图像 | Pillow: Image.size, .width, .height | (width, height)，像素 | 注意EXIF Orientation与info["dpi"]，PNG/JPEG元数据可能缺失或不准 |
| 图像矩阵 | OpenCV: ndarray.shape | (height, width, channels)，像素 | BGR通道顺序，灰度无channels，轴顺序与Pillow相反 |
| 通用数组 | NumPy: arr.shape | 各轴长度（无单位） | “长宽”需结合语义定义，size是元素总数非像素 |
| 字符串显示 | wcwidth/wcswidth | 终端列宽 | len非显示宽度，合成emoji、东亚全角影响宽度 |
| 视频帧 | OpenCV: cap.get(W/H), frame.shape | 像素 | 容器旋转标签与像素长宽可能不一致，需校正 |
| PDF | PyPDF2: page.mediabox | 点（pt） | 1英寸=72pt，转像素需DPI；裁剪框与旋转需处理 |
| Matplotlib | fig.get_size_inches(), dpi | 英寸/像素 | figsize×dpi=像素，保存时dpi可能覆盖 |

## 二、图像与分辨率：像素宽高、DPI与EXIF

在图像处理场景，最直观的“长宽”就是像素级的width与height。**使用Pillow时，Image.size直接返回(width, height)，分别也可读Image.width与Image.height；这一返回是未考虑显示旋转的原始像素网格尺寸。**若图像带有EXIF Orientation（常见于手机照片），显示时往往需旋转才能“正向”。工程上应在读取时解析EXIF并对像素矩阵进行物理旋转，再以旋转后的矩阵尺寸作为“显示宽高”，同时保留原始尺寸供存档与追溯。

DPI在印刷与部分屏幕渲染中出现，用于将英寸与像素互转。**Pillow可能在Image.info或info["dpi"]里提供DPI，但元数据并非总是可靠，且不同格式写法不一（如PNG pHYs）。**在需要把“像素宽高”转成“物理尺寸”（如厘米或英寸）时，必须明确DPI来源与可信度。工程实践中，可优先采用业务规则指定DPI或从可信上游系统同步参数，以免使用不稳定的嵌入元数据。对归档与导出，建议把width_px、height_px与dpi分开记录，避免语义混淆。

OpenCV在图像读写中返回的是ndarray，其shape为(h, w, c)。这意味着**shape[0]是高度height而非宽度width**，与Pillow顺序相反。灰度图通常是(h, w)，彩色BGR图是(h, w, 3)。在跨库加工时，务必在变量命名中明确h、w，并在转换边界用注释说明轴语义。**若需在OpenCV与Pillow来回切换，应当统一在接口层进行“轴顺序与颜色通道”的标准化，例如约定内部全用(height, width)并在Pillow调用前转换。**这一约束将有效降低尺寸相关bug的偶发表现。

此外，科学图像或医学影像（如TIFF、DICOM）可能包含多通道与多切片维度，导致数组维度超过3。**此时“长宽”的定义需要结合具体维度语义（如Z轴切片、时间T、通道C）才能确定哪两轴代表空间width与height。**若处理遥感或多光谱图像，也可能出现非常大的像素维度，需要分块读取与金字塔金层。工程上建议将width轴与height轴的索引位置显式配置化，并在元数据中存档，以适应多源数据的差异。

更复杂的是EXIF Orientation与旋转裁剪。在一些移动设备拍摄的JPEG中，Orientation仅是一条显示指令，并未改变像素内存布局。**若你只取Image.size而未做旋转，得到的“长宽”可能与人眼看到的图像方向不一致。**在媒体生产或电商图像规范检测中，通常需要“应用EXIF旋转后再计算长宽”，以符合展示效果。对PNG、WebP等格式，元数据差异亦需注意。权威参考可见Pillow文档（Pillow, 2024）以及Python官方图像处理指南的相关说明（Python Software Foundation, 2024）。

## 三、数组与矩阵：shape、size与内存布局

当对象是一般的ndarray，**“长宽”不再是内建概念，而是对shape某两轴的业务映射**。例如处理热力图或二维标量场，通常把shape=(h, w)解释为高度与宽度；若数据来自图像，h、w与像素一一对应；若来自网格仿真，h、w可能对应物理坐标网格点数，与实际物理长度还需网格间距dx、dy换算。数据分析代码中，建议将width_axis与height_axis参数化，避免把轴顺序写死在实现里，从而提高在不同数据源之间复用的弹性。

NumPy的size是元素总数，nbytes是内存占用，而不是“长宽”。**若需要从数组得到面积、纵横比等派生指标，应基于shape中的两个空间轴进行计算，并注意广播与切片操作可能改变视图而非底层布局。**此外，C/F内存顺序（order='C'或'F'）会影响线性存取性能，但不影响shape本身；因此在优化时可通过ascontiguousarray或转置来平衡性能与易用。文档与示例参考NumPy官方指南（NumPy, 2023），其中对ndarray的维度与内存模型有系统阐述。

在数据表格领域，pandas.DataFrame.shape返回的是(行数, 列数)。尽管不属于“像素长宽”，**但在报表渲染、导出图像或PDF时，行列数与单元格尺寸、字体度量、边距共同决定最终渲染的像素宽高**。若要用Python计算报表的目标尺寸，必须把数据层面的“宽高”（行列数量）与呈现层面的布局参数融合，例如单元格像素大小、字体字号、行高、列宽与页边距。在工程实践中，可先在元数据层定义排版规则，再派生像素目标尺寸，避免在渲染层面“试错”导致不稳定。

对高维数组场景，命名约定与抽象层设计尤为重要。**建议在数据模型里记录height_axis、width_axis与channel_axis等关键位置信息，并提供统一获取接口（如get_width(arr)、get_height(arr)），由内部完成对shape的解释。**这样可以把“算长宽”的知识集中到一处，避免分散在业务代码中产生重复与矛盾。一旦上游数据维度发生变化，仅需调整解释层而非海量下游逻辑，有助于降低总体维护成本并减少尺寸相关缺陷。

## 四、字符串与终端显示宽度：len与East Asian宽度

针对字符串，len(s)返回的是Unicode码位数量，它并不等同于“显示宽度”。**在等宽终端中，字符的占位列数受East Asian宽度、组合附加符号（如声调）、以及emoji（可能占两列）影响，导致len与可视宽度偏离。**单纯用len对齐表格将出现错位，尤其混杂中英文、emoji的文本更明显。因此，计算“长宽”时应区分“字符数量”与“显示列宽”，在终端或日志对齐场景采用后者更符合直觉。

Python生态中可通过wcwidth或wcswidth求字符在终端中的列宽，**它基于Unicode East Asian Width属性进行估计，在大多数等宽字体终端下表现稳定。**需要注意，终端渲染差异与字体选择也会影响最终效果，因此对于严格对齐，最好在目标环境中做快照测试。若输出到富文本环境（如GUI或Web），单靠列宽不足以反映实际像素宽度，此时应采用图形或浏览器引擎的度量API，而不是尝试用len或列宽近似。

在图形环境里，要得到字符串的像素“长宽”，可借助字体度量。**例如使用Pillow的ImageFont与相关度量函数，结合字体文件与字号，计算文本的像素包围盒；这与Matplotlib的文本布局逻辑类似，都会考虑字体度量、行距与渲染上下文。**高DPI屏幕下，像素与点的映射会随缩放而变，建议显式区分逻辑像素与物理像素，并在导出或截图前固定DPI与缩放，以获得可复现的测量结果。必要时，加入基准字串测试保障稳定性。

如果需要计算HTML元素的渲染“长宽”，Python本身并不会进行CSS布局。**常见做法是通过无头浏览器（如Selenium或Playwright）加载页面，让浏览器引擎完成排版，再调用DOM API读取元素的boundingClientRect，得到像素测量值。**这属于运行时渲染测量，受CSS、字体与设备像素比影响。工程上要保证依赖环境一致，并在CI中固定浏览器版本与字体集，以减少不确定性。在批量处理时，建议分层缓存静态资源与Computed Style，提高吞吐。

## 五、视频与多媒体：帧尺寸、纵横比与旋转

在视频处理中，帧的“长宽”通常指每帧像素矩阵的width与height。**使用OpenCV读取视频，VideoCapture的CAP_PROP_FRAME_WIDTH与CAP_PROP_FRAME_HEIGHT可报告容器层的宽高，但以frame.shape为准更贴近实际像素矩阵（注意shape是height、width、channels）。**同时，某些视频容器写入了旋转元数据（如90度），播放器会按标签旋转显示，但底层帧矩阵未变，导致“看起来的长宽”与数据矩阵不一致。统一策略是：读取帧后按旋转标签变换，再计算“显示宽高”。

视频还涉及像素纵横比（PAR）与显示纵横比（DAR）。**当像素并非正方形时（如部分标准清晰度素材），帧像素宽高与最终显示宽高并不等同，需要结合SAR/PAR参数进行校正。**在剪辑与转码中，若忽略这一点，拼接与水印位置就会出现偏差。工程上可在元数据层统一记录width_px、height_px、pixel_aspect与display_aspect，并在渲染或导出时统一换算，避免在多个处理节点重复推导而冒出歧义。OpenCV与FFmpeg的文档对属性含义有清晰描述（OpenCV, 2024）。

对于流媒体或摄像头采集，分辨率在运行中可能动态变化（自适应码率或重协商）。**稳妥做法是周期性抽样校验实际帧矩阵尺寸，或在帧头自带分辨率时以帧内为准，避免仅依赖初始化时的容器参数。**此外，编码器对齐（如宏块、tile）也会引入边缘黑边或对齐像素，需按业务裁剪掉无效区域后再报告有效“长宽”。在批处理架构中，把这些清理与校准沉淀为前置预处理环节，将显著降低下游的复杂度与返工概率。

与静态图像类似，视频缩放、裁剪与旋转应保持元数据同步更新。**一旦进行了尺寸变换，务必在流水线中记录变换链（例如scale→crop→rotate的顺序与参数），并在生成报表或导出时将最终“长宽”与变换日志一并输出。**这不仅便于审计，也能在问题回溯时快速定位是哪一步导致尺寸与期望不符。若与协作平台集成，可把这些元数据写入任务注释与需求单，方便跨团队沟通和验收。

## 六、文档与可视化：PDF/Word页尺寸、Matplotlib图幅

PDF页尺寸以点（point, pt）为基本单位，1英寸=72pt。**使用PyPDF2可读取Page的MediaBox/TrimBox得到页面的pt级宽高，再结合DPI换算像素宽高（例如在300DPI下，像素宽=pt/72×300）。**注意PDF可能存在旋转（/Rotate）以及裁剪框（CropBox、TrimBox、BleedBox）差异，实际可见区域应以裁剪框为准。若要稳定输出到图像，建议先统一页框、处理旋转，再做DPI一致的栅格化，确保“长宽”与业务报表一致可重复。

Word文档（.docx）通过python-docx可以读取节（Section）的page_width与page_height，**它们以EMU（English Metric Unit）计量，需要换算到英寸或像素才能与图像场景对齐。**页边距、页眉页脚与内容区尺寸都将影响最终渲染效果，因此如果目标是导出为图片或PDF，应在模板层明确排版参数，再以统一DPI进行渲染。对多栏、多节或不同纸张方向的文档，建议逐节计算尺寸并记录在元数据，以便在批量转换时保持一致性与可追踪性。

在可视化方面，Matplotlib的Figure以英寸为物理尺寸（fig.get_size_inches），**结合fig.dpi即可得到像素级长宽：pixel_w=inch_w×dpi，pixel_h=inch_h×dpi。**保存图像时，savefig的dpi参数可能覆盖Figure的dpi，因此需要在输出时统一策略，以避免训练或报告中的图像尺寸跳变。轴域（Axes）与整幅图（Figure）也要区分：图题、图例、边距会占据空间，使得“数据绘图区”的像素宽高小于整幅像素。对于布局自动化，可借助constrained_layout或tight_layout再测量。

在GUI领域（如Tkinter、PyQt），窗口与控件的尺寸测量需结合屏幕DPI与缩放设置。**Tkinter中可通过winfo_width/winfo_height在渲染后获取控件像素尺寸，在初始化阶段得到的是布局意向值而非最终像素。**高DPI缩放会改变逻辑像素与物理像素映射，跨平台差异（Windows、Linux、macOS）也需要测试覆盖。若你的Python应用需要将屏幕截图与报告图像进行尺寸对齐，建议统一在渲染后测量并记录缩放因子，再进行对比与验收。

## 七、工程化落地：数据管道、自动化校验与协作

将“算长宽”落地到工程体系，关键是抽象一个统一维度模型，并让数据管道都围绕它运转。**可以定义Dimension对象，包含width、height、unit、dpi、orientation、pixel_aspect等字段，并提供from_image、from_video、from_pdf等工厂方法，以面向领域的方式标准化输入。**进入流水线后，每个变换节点只操作该模型而非随意拼接元组；输出端统一导出包含尺寸与变换链的记录，便于审计与回放。这种方式能有效降低跨库、跨格式协同时的沟通成本。

自动化校验是稳定性的另一支柱。**为图像与视频建立断言，如width>0、height>0、aspect在合理区间、与业务规范尺寸匹配；为PDF与可视化输出建立DPI一致性检查；为字符串输出建立终端对齐快照测试。**可将这些校验纳入CI，出现异常时产出差异报告与可视化对比图。性能方面，元数据批量读取可采用延迟加载与并行I/O；图像与视频的实际像素检视则可抽样执行，以平衡吞吐与精度。对大规模数据，配合缓存策略能显著减少重复计算。

在多人协作与需求管理中，建议把尺寸规范、换算规则与判定准则写成可读的“工程契约”。**例如在研发项目的全流程管理中，将长宽定义、DPI政策、旋转处理策略、纵横比规则等作为需求条目，并在任务模板中固化；Python脚本更新这些约束时自动同步说明文档与变更日志。**在此类场景下，可将脚本与文档纳入项目协作系统，像[PingCode](https://PingCode.com?utm_source=insights&utm_medium=%E5%93%81%E7%89%8C%E8%AF%8D)这类研发项目全流程管理系统能够提供需求、任务、用例与缺陷的闭环，便于追踪尺寸相关问题的修复与回归。

跨团队与跨系统对接时，数据契约尤为重要。**对外提供的API应该显式返回width、height与unit，并可选返回dpi与orientation；禁止复用“size”这种含混字段，避免调用方误解。**日志与指标层面，可监控输入尺寸分布、异常比例与变换失败率，及早发现上游变更的影响。面向外部集成，还可提供维度探测的轻量SDK或命令行工具，方便数据提供方在上传前自检，减少因尺寸不符导致的回退与沟通成本（Python Software Foundation, 2024；OpenCV, 2024）。

随着需求演进，团队往往会扩展新的对象类型与特殊规则。**统一维度模型的优势在于可以“开新分支”扩展解释器：为CAD矢量图、地图瓦片、3D体素数据定义专属的width/height语义与单位换算，同时复用既有校验与日志基建。**在对需求、脚本与验证用例的协作中，继续利用项目管理工具沉淀经验与可复用模板，必要时把关键指标（如处理量、失败率、平均尺寸）纳入报表与看板，持续优化产能与质量。对于跨部门治理，可将尺寸标准纳入技术准则库并定期评审。

参考与资料来源
- Python Software Foundation. Python 3.12 Documentation, 2024. https://docs.python.org/3/
- NumPy. NumPy User Guide and Reference, 2023. https://numpy.org/doc/
- OpenCV. OpenCV Documentation (Video I/O and core modules), 2024. https://docs.opencv.org/
- Pillow. Pillow Handbook (Image.size, EXIF, DPI), 2024. https://pillow.readthedocs.io/

可以使用Pillow库（PIL的一个分支）来打开图像文件，并通过Image对象的size属性获得图像的宽度和长度。例如：

```python
from PIL import Image
img = Image.open('image.jpg')
width, height = img.size
print(f'宽度: {width}, 高度: {height}')
```

使用Pillow库获取图像尺寸

我有一张图片，想用Python代码获取它的长度和宽度，该怎么做？

如何在Python中获取图像的长宽尺寸？

如果你有矩形四个顶点的坐标，可以用两点间距离公式计算相邻点之间的距离，进而得到长宽。例如，假设两个相邻顶点坐标为(x1, y1)和(x2, y2)，距离计算公式为：

```python
def distance(x1, y1, x2, y2):
    return ((x2 - x1)**2 + (y2 - y1)**2)**0.5

长 = distance(x1, y1, x2, y2)
宽 = distance(x2, y2, x3, y3)
```
请保证顶点按顺序排列。

通过顶点坐标计算边长

给定一个矩形的顶点坐标，想用Python计算它的长和宽应该怎么做？

怎么用Python算矩形的长和宽？

可以使用OpenCV来处理图像，检测物体轮廓并测量其边界框尺寸。首先需要对图像进行预处理，然后找到轮廓，并使用轮廓的边界矩形来获取尺寸。通过已知的参考对象尺寸，可将像素长度转换成真实物理尺寸。相关代码示例和步骤可以参考OpenCV的轮廓检测和尺寸标定教程。

借助计算机视觉库实现尺寸测量

我想用Python程序自动测量某个物体的长和宽，有什么方法或工具推荐？

如何用Python测量对象的长宽尺寸？

PingCodeDocs

本文系统解答用Python计算“长宽”的方法：明确对象与单位后，选用Pillow、OpenCV、NumPy、PyPDF2、Matplotlib等库获取原生尺寸，并统一到width/height与unit模型，结合DPI、EXIF旋转与像素纵横比做校正；对字符串使用wcwidth度量显示宽度；在工程化层面建立统一维度模型与自动化校验，并将规则沉淀到协作流程（如在项目管理系统中固化），以确保多场景、多库协同下的尺寸计算稳定、可追踪且可复现。

Python如何算长宽

用户关注问题