PDF DFT Extractor | DFT坐标提取器
Extract DFT calculation coordinates from PDF files (especially supplementary materials) and generate Gaussian input files (.gjf). Supports batch processing with separate output folders for each PDF. 从PDF文件（特别是论文支撑材料）中提取DFT计算坐标，生成Gaussian输入文件(gjf)。支持批量处理，每个PDF文件单独生成一个输出文件夹。
功能特性
- 📄 PDF转Markdown: 使用MinerU API将PDF转换为结构化Markdown
- 🧮 自动提取DFT坐标: 从计算化学部分自动识别和提取分子坐标
- 📁 批量处理: 支持同时处理多个PDF文件
- 📂 独立输出: 每个PDF文件生成单独的输出文件夹
- ⚙️ 可配置参数: 支持自定义CPU核数、内存、计算方法等
快速开始
命令行使用
# 单个PDF文件
python extract_dft.py paper.pdf
# 批量处理整个目录
python extract_dft.py ./pdfs/
# 指定输出目录和计算参数
python extract_dft.py ./pdfs/ -o ./output/ --cpu 64 --mem 128GBPython API使用
from extract_dft import process_pdf, batch_process
# 处理单个PDF
result = process_pdf(
pdf_path="paper.pdf",
output_dir="./output/paper1",
cpu=64,
mem="128GB",
method="B3PW91/def2TZVP em=d3bj"
)
# 批量处理
results = batch_process(
pdf_dir="./pdfs/",
output_base_dir="./output",
cpu=64,
mem="128GB"
)参数说明
| 参数 | 默认值 | 说明 |
|---|---|---|
-o, --output | ./dft_output | 输出目录 |
--cpu | 64 | CPU核数 |
--mem | 128GB | 内存 |
--method | B3PW91/def2TZVP em=d3bj | 计算方法和色散校正 |
--solvent | SMD(toluene) | 溶剂模型 |
--charge | 0 | 电荷 |
--multiplicity | 1 | 自旋多重度 |
--keywords | opt freq | 计算关键词 |
--keep-temp | False | 保留临时文件 |
关于Gaussian计算方法的写法
在Gaussian中，色散校正需要单独使用em=关键词指定，不要写成B3PW91-D3(BJ)的形式。
✅ 正确写法：
# B3PW91/def2TZVP em=d3bj opt freq❌ 错误写法：
# B3PW91-D3(BJ)/def2TZVP opt freq ← 这种写法Gaussian不识别常用色散校正关键词：
| 色散校正 | 关键词 |
|---|---|
| D3 with Becke-Johnson damping | em=d3bj |
| D3 with zero damping | em=d3 or em=gd3 |
| D3(BJ) for DFT-D3 | em=d3bj |
| Grimme's GD3 | em=gd3 |
| GD3BJ | em=gd3bj |
示例对比：
# B3PW91 with D3BJ
--method "B3PW91/def2TZVP em=d3bj"
# B3LYP with GD3
--method "B3LYP/6-31G(d) em=gd3"
# PBE0 with D3BJ
--method "PBE1PBE/def2TZVP em=d3bj"
# ωB97X-D (已内置色散，无需额外添加)
--method "wB97XD/def2TZVP"输出目录结构
output/
├── paper1/ # 每个PDF一个独立文件夹
│ ├── README.txt # 文件说明和统计
│ ├── 01_molecule_b3pw91.gjf # 生成的gjf文件
│ ├── 02_molecule_b3pw91.gjf
│ └── ...
├── paper2/
│ ├── README.txt
│ └── ...
└── ...生成的gjf文件格式
%chk=molecule.chk
%mem=128GB
%nprocshared=64
# B3PW91/def2TZVP em=d3bj nosymm int=ultrafine SMD(toluene) opt freq
molecule_name
0 1
C -1.46713000 0.31261700 0.00075400
H -1.10131700 0.82908900 -0.88608000
...注意： 色散校正em=d3bj是单独的关键词，不是方法名的一部分。这是Gaussian的标准写法。
完整示例
示例1: 处理单个PDF
python extract_dft.py 41557_2026_2096_MOESM1_ESM.pdf \
-o ./output \
--cpu 64 \
--mem 128GB \
--method "B3PW91/def2TZVP em=d3bj" \
--solvent "SMD(toluene)"生成的关键词行：
# B3PW91/def2TZVP em=d3bj nosymm int=ultrafine SMD(toluene) opt freq注意： em=d3bj是独立的Gaussian关键词，用于启用Grimme的D3色散校正（Becke-Johnson阻尼），不是方法名的一部分。
输出:
./output/
├── README.txt
├── 01_trifluoroethane_b3pw91.gjf
├── 02_khmds_dimer_b3pw91.gjf
├── 03_khmds_monomer_b3pw91.gjf
└── ... (174个gjf文件)示例2: 批量处理多个PDF
# 将多个PDF放入一个目录
mkdir -p ./papers
cp paper1.pdf paper2.pdf paper3.pdf ./papers/
# 批量处理
python extract_dft.py ./papers/ -o ./all_outputs输出:
./all_outputs/
├── paper1/
│ ├── README.txt
│ └── *.gjf
├── paper2/
│ ├── README.txt
│ └── *.gjf
└── paper3/
├── README.txt
└── *.gjf示例3: 不同DFT方法的写法
# B3PW91 with D3BJ (最常用的色散校正DFT)
python extract_dft.py paper.pdf --method "B3PW91/def2TZVP em=d3bj"
# B3LYP with GD3
python extract_dft.py paper.pdf --method "B3LYP/6-31G(d) em=gd3"
# PBE0 with D3BJ
python extract_dft.py paper.pdf --method "PBE1PBE/def2TZVP em=d3bj"
# ωB97X-D (长程校正泛函，已内置色散)
python extract_dft.py paper.pdf --method "wB97XD/def2TZVP"
# M06-2X (Minnesota泛函，已内置色散)
python extract_dft.py paper.pdf --method "M062X/def2TZVP"
# TPSSh with D3BJ (meta-GGA)
python extract_dft.py paper.pdf --method "TPSSh/def2TZVP em=d3bj"示例4: Python API调用
from extract_dft import process_pdf
# 自定义所有参数
result = process_pdf(
pdf_path="supplementary_material.pdf",
output_dir="./my_output",
cpu=32,
mem="64GB",
method="B3LYP/6-31G(d) em=gd3",
solvent="SMD(water)",
charge=0,
multiplicity=1,
keywords="opt freq scrf"
)
if result["success"]:
print(f"提取了 {result['molecule_count']} 个分子")
print(f"输出目录: {result['output_dir']}")
else:
print(f"错误: {result['error']}")支持的计算方法
脚本会自动识别PDF中使用的计算方法，包括但不限于:
- B3PW91, B3LYP, PBE0, ωB97X-D, M06-2X, M06-L, BP86
- 支持各种色散校正 (D3, D3BJ, GD3, etc.)
重要： 在Gaussian输入文件中，色散校正必须通过独立的em=关键词指定，而不是作为方法名的一部分。
| 原文中的写法 | Gaussian正确写法 |
|---|---|
| B3PW91-D3(BJ) | B3PW91/def2TZVP em=d3bj |
| B3LYP-D3 | B3LYP/6-31G(d) em=gd3 |
| PBE0-D3BJ | PBE1PBE/def2TZVP em=d3bj |
| ωB97X-D | wB97XD/def2TZVP (已内置色散) |
| M06-2X | M062X/def2TZVP (已内置色散) |
依赖要求
- Python 3.8+
- MinerU PDF Converter (会自动调用)
注意事项
- 大文件处理: 超过600页的PDF会自动分批处理
- 每日限制: MinerU API每日免费额度2000页
- 网络要求: 需要联网调用MinerU API
- 文件名过滤: 会自动过滤掉包含HTML标签或非法字符的分子名称
- 坐标验证: 会自动过滤原子数超过10000的异常结构
故障排除
问题: 未找到分子坐标
- 确保PDF中包含"Computed coordinates"或类似的坐标部分
- 检查PDF是否为扫描版(需要可搜索的文本)
问题: MinerU API调用失败
- 检查网络连接
- 可能是API限额已满，请等待或联系管理员
问题: 生成的gjf文件不完整
- 使用
--keep-temp参数保留临时文件进行调试 - 检查PDF中的坐标表格格式是否标准
相关SKILL
- mineru-pdf-converter - PDF转Markdown工具