pdf-processor（PDF processor 工具）

PDF Processor

Overview

处理学术论文PDF的完整工作流：文字提取、语言判断、翻译、概述生成。使用本地Ollama模型（qwen2.5:7b），成本为0元，适合处理大量学术文献。

核心功能：

• 提取PDF全部文字（按页分隔）
• 判断语言（中文/英文）
• 提取和翻译论文标题（英文→中文）
• 英文PDF分段翻译（每段2000字符）
• 实时进度显示（显示当前段/总段数、百分比）
• 断点续传（中断后可从断点继续）
• 生成200字纯中文概述
• 自动文件组织和清理

Quick Start

处理单个PDF

python3 scripts/process_pdf.py <pdf_path> <output_base_dir>

示例：

# 处理英文PDF
python3 scripts/process_pdf.py \
  ~/Documents/论文处理/未处理/英文/2602.23362v1.pdf \
  ~/Documents/论文处理

# 处理中文PDF
python3 scripts/process_pdf.py \
  ~/Documents/论文处理/未处理/中文/test.pdf \
  ~/Documents/论文处理

目录结构

PDF处理前需先创建目录：

~/Documents/论文处理/
├── 未处理/
│   ├── 中文/
│   └── 英文/
├── 处理中/
├── 已完成/
│   ├── 原文/
│   ├── 翻译/
│   └── 概述/
└── 索引/

详见 directory-structure.md

Workflow

完整处理流程

1. PDF提取文字 → 保存到"处理中/文件名_提取.txt"
2. 提取和翻译论文标题（英文→中文）
3. 判断语言（中文/英文）
4. 如果是英文：
   - 分段（每段2000字符）
   - 逐段翻译（本地Ollama）
   - **显示实时进度**（当前段/总段数 | 百分比 | 字符数）
   - **保存进度**（处理中/文件名_progress.json）
   - 合并翻译结果
   - **删除进度文件**
5. 生成概述（200字纯中文，本地Ollama）
6. 保存翻译文件到"已完成/翻译/"
7. 保存概述文件到"已完成/概述/"（包含中英文标题）
8. 移动PDF到"已完成/原文/"
9. 删除"处理中/提取.txt"

详细说明见 workflow.md

分段翻译策略

• 分段大小: 每段最多4000字符
• 分段边界: 优先在段落边界断开（\

\ \ , \ \ , 。, ！, ？）

• 翻译模型: 本地Ollama (qwen2.5:7b)
• 优势: 避免长文本处理问题，提高翻译质量

概述生成

• 输入: 前5000字符（摘要和引言）
• 输出: 200字纯中文
• 内容: 研究背景、主要方法、核心贡献、应用价值
• 清理: 移除所有英文、数字、符号

Technical Details

依赖项

• Python库: pdfplumber, requests, re, shutil, pathlib
• Ollama: qwen2.5:7b模型
• Ollama服务: 本地运行在http://localhost:11434

性能特点

• 成本: 0元（本地模型，不消耗线上API）
• 处理时间:

- 提取: 秒级 - 翻译: 每段30秒-1分钟，总时间取决于段数 - 概述: 秒级

• 质量:

- 翻译: 学术准确性高，保持段落结构 - 概述: 200字纯中文，简洁准确

• v2.0新功能:

- 实时进度显示: 显示当前段/总段数、百分比、字符数 - 断点续传: 中断后可从断点继续，自动跳过已翻译段落 - 进度保存: 保存到临时JSON文件，完成后自动删除

分段示例

对于45,873字符的PDF：

• 分段数: 17段
• 每段字符数: 2,000-4,000
• 总翻译时间: 约8-17分钟

Output Files

翻译文件

位置: 已完成/翻译/文件名_翻译.txt

格式:

# 论文翻译

**源文件**: 文件名.pdf
**处理时间**: YYYY-MM-DD HH:MM:SS
**翻译模型**: 本地Ollama (qwen2.5:7b)
**分段数**: N

## 📄 翻译内容

[翻译内容]

概述文件

位置: 已完成/概述/文件名_概述.txt

格式:

# 论文概述

**源文件**: 文件名.pdf
**处理时间**: YYYY-MM-DD HH:MM:SS
**概述模型**: 本地Ollama (qwen2.5:7b)

## 📚 论文标题

**英文**: [论文英文标题]
**中文**: [论文中文标题]

## 📝 论文概述

[200字纯中文概述]

Resources

scripts/

• process_pdf.py: 完整的PDF处理脚本（v2.0）

- 文字提取、语言判断、翻译、概述生成 - 实时进度显示（当前段/总段数 | 百分比） - 断点续传（中断后可从断点继续，自动跳过已翻译段落） - 自动文件组织和清理 - 可独立运行或被其他脚本调用

• generate_index.py: 索引生成脚本

- 生成已完成论文的索引文件 - 包含标题、语言、概述、处理时间 - 支持关键词搜索

references/

• workflow.md: 完整工作流程说明

- 关键步骤说明 - 技术依赖 - 性能特点

• directory-structure.md: 目录结构和使用说明

- 完整目录树 - 文件夹用途 - 文件生命周期

Troubleshooting

Ollama服务未启动

错误: Connection refused

解决:

# 启动Ollama服务
ollama serve

Ollama模型未安装

错误: model 'qwen2.5:7b' not found

解决:

# 安装模型
ollama pull qwen2.5:7b

# 查看已安装模型
ollama list

PDF路径错误

错误: PDF文件不存在

检查:

• 确认PDF路径正确
• 确认输出目录存在
• 确认有读写权限

翻译质量不佳

可能原因:

• 分段过大（超过4000字符）
• 温度设置过高（当前0.3）

调整:

• 修改split_text()函数的max_length参数
• 修改translate_segment()的temperature选项

Notes

• 成本优势: 使用本地Ollama，完全避免线上API费用
• 质量平衡: 分段翻译在质量和速度之间取得平衡
• 自动化: 文件自动组织和清理，无需手动管理
• v2.0改进:

- 进度显示: 实时显示翻译进度（当前段/总段数 | 百分比 | 字符数） - 断点续传: 中断后可从断点继续，自动跳过已翻译段落，节省时间 - 进度文件: 保存到处理中/文件名_progress.json，完成后自动删除 - 串行翻译: 稳定可靠，适合各类机器性能

• 适用范围: 适用于学术论文、研究报告、技术文档等PDF文件