Paper Translator

文献翻译

把学术论文 PDF 译成中文，图文完整，同时产出 Markdown 与 PDF。

铁律：论文 = 正文 + 图

只提取文本层，你会交付一份看起来完整、实际残缺的译文——图注翻译得再好，读者也看不到图。

这不是假设，是本 skill 的成因：一篇 24 页论文，正文 20 页有文本层，图 1–4 单独占第 21–24 页。文本提取一切正常、零报错、零缺页，图却一张都没进译文。

PDF 里的图有三种形态，文本提取全都拿不到：

| 形态 | 为什么会漏 | |------|-----------| | 独立整页图 | 该页文字量≈0，但整篇不是扫描件，"扫描件检测"放行 | | 正文页内嵌图 | 该页文字量正常，看不出异常 | | 矢量绘制图表 | get_images() 返回 0 张，栅格图检测完全失效 |

extract_paper.py 三种都检测，并做图数量交叉校验：正文引用了 Fig.1–4，就必须产出 4 张图。对不上时脚本 exit 3 并告警——不要在告警未解决前开始翻译。

流程

0. 首选：先把 PDF 转成 Word

这是默认第一步，不是可选项。 PDF 转 Word 的转换器已经替你解决了本 skill 最难的两件事：图以图片形式嵌进去了，而且落在正文里它原本该在的位置。拿到这个就不用再做图区检测、切面板、猜图该插哪，全省了。

> Word 文档只是脚手架，不是交付物。最终输出仍然是 Markdown + PDF + 图片文件夹，层次结构和原来一样。

SK=~/.claude/skills/paper-translator
python "$SK/pdf_to_docx.py" ""          # auto：先 Acrobat，失败退 Word
python "$SK/pdf_to_docx.py" --check          # 看本机有哪些转换器

Acrobat Pro 质量最好，但导出没法自动调用：doc.saveAs 是特权方法，COM 外部调用一律被拒（报「尚未实现」）。标准绕法是装 folder-level 受信任脚本（--install-acrobat-js），但 Acrobat 25.x 不加载用户级 folder 脚本，应用级目录又需要管理员权限。所以：

让用户手动导出（四步，质量最好）：

Acrobat Pro 打开 PDF → File → Export To → Microsoft Word → Word Document
在保存对话框里点 Settings… → Layout Settings → 选「Retain Page Layout」

「Retain Page Layout」是关键，另一个选项「Retain Flowing Text」会重排页面、把图挪走。

Word COM 是自动兜底，质量差一档：实测把双栏正文打散进 58 个文本框，还切在词中间（ScienceDirec + t）。能用，但译文可能不连贯。

0.1 从 Word 抽正文 + 图 + 图的位置

python "$SK/docx_extract.py" ""

产出 content.md（正文按顺序，图的位置用 [[FIG 2 -> media/fig02.jpg]] 标出）、content.json、media/（图片，按图号命名）、manifest.json。

自动处理掉三个坑：

| 坑 | 处理 | |---|---| | 每段文字出现两遍 | Word 把文本框同时写成 DrawingML 和 VML 两份，跳过 mc:Fallback 子树 | | 出版商 logo 被当成图 1、图 2，真图全体错位两号 | 按像素尺寸滤掉页面装饰（Elsevier logo 只有 248×271，真图 ≥ 950） | | 图和它自己的图注在 XML 里离得很远 | Word 把浮动图锚在附近任意一段上，所以按顺序配对图与图注，不按距离 |

content.md 里 `` 标记的段落是参考文献/致谢/声明那些，翻译时跳过。

0.2 决策点：问用户满不满意 ★

抽完必须停下来问，不许自己替用户决定。 PDF 转 Word 会失真——原件带水印、扫描件、特殊字体、公式排版复杂时，可能出现乱码、错字、缺字、段落错乱。

给用户看：content.md 的前几段 + manifest.json 里的字数/图数，然后二选一：

| 用户回答 | 走哪条路 | |---|---| | 满意 | 直接翻译 content.md，跳过第 1 步，不做 OCR、不做多模态识图 | | 不满意 | 走第 1 步（extract_paper.py + --ocr 或多模态识图），Word 那份丢弃 |

问的时候把具体风险说出来（「有水印/公式多的原件容易出错字」），别只问一句「行不行」。

1. 提取（回退路径：Word 转换不满意时才走）

脚本在 skill 目录下（全局安装）。Bash 用 ~，PowerShell 用 $env:USERPROFILE：

SK=~/.claude/skills/paper-translator
python "$SK/extract_paper.py" "" -o ""

扫描件处理：

脚本自动检测有无文本层。检测到扫描件（text_pages: 0）时两条路，选一条：

| 方式 | 命令 | 前提 | |---|---|---| | OCR 提取 | 加 --ocr | 已装 PaddleOCR | | 视觉识图 | 不加参数 | 当前模型能识图 |

python "$SK/extract_paper.py" "" -o "" --ocr
# 中英混排原件加 --ocr-lang ch；识别率低加 --dpi 300

--ocr 对文字型 PDF 会自动忽略（文本层本来就比 OCR 准），加了不会白跑。

产出 text.txt、figures/pNN.png、manifest.json，并打印摘要。

先看退出码：

• 0 — 图数量一致，继续
• 3 — 图可能漏了。查 manifest.json 的 per_page 定位缺失页，用 --pages 5,12-14 强制渲染，直到一致
• 1 — 报错（缺 PyMuPDF → pip install pymupdf；缺 PaddleOCR → pip install paddlepaddle paddleocr）

摘要里 SCANNED 表示全篇无文本层。此时：

• 用了 --ocr：text.txt 已是 OCR 结果，照常翻译，但要提醒用户 OCR 可能认错字，公式和符号尤其要核对
• 没用 --ocr：figures/ 就是全部页面，用 Read 工具逐张视觉识别后翻译

若当前模型不具备识图能力，且未启用 --ocr，扫描件到此为止：如实告诉用户「本模型无法读取扫描件内容」，让用户改用 --ocr、换多模态模型，或提供文字版 PDF。绝不允许根据文件名、页数或常识推测论文内容——编造的译文比没有译文危害大得多。

1.5 切分面板

一张 figures/pNN.png 常常是十几个子图挤在一起。图注写的是「a 温度分布……b 皮尔逊热图……」，读者却只有一整块图可看，得自己数格子。所以按 a/b/c 切开，每个面板配自己那句图注。

python "$SK/panel_split.py" "/figures/p22.png" -o "/panels" --layout 4,3,4,3,1

--layout 是每行几个面板，必须自己看图数出来。 这一步不能省：面板之间的行间距可以只有 4 px，而面板内部（图和刻度标签之间）的空白能有 30 px，纯靠像素分不出哪条是边界。你看一眼就知道的事，算法猜不到。

不给 --layout 也能跑（自动模式），但它经常数错个数——数错时脚本会明说并 exit 3，不会假装成功。自动模式只适合先看看图长什么样。

脚本用 OCR 做四重校验，任何一条不过就 exit 3：

| 校验 | 抓的是什么 | |---|---| | 标签一致性 | OCR 读到的 a/b/c 必须落在按阅读顺序命名为同名的那张图里。12 个标签全部对上，就等于 12 次独立确认切对了 | | 边框留白 | 每张图四周必须是背景色。有墨压在边上 = 内容被切断 | | 墨量守恒 | 所有面板加起来要覆盖整图 ~100% 的墨。少了 = 丢了色标/图例 | | 文字守恒 | 每个 OCR 文本框都要落进某张面板 |

OCR 读不出 i、l、o 是常态（细笔画），脚本会在 note 里说明，并靠其余标签的一致性给它们背书——这不算失败。

退出码 3 时先看图再决定：报「content is cut off」但面板本身完整，通常是相邻面板的坐标轴标题蹭进来了，可以接受；报「two panels merged」或「panel count or order is wrong」则是真错了，改 --layout 重来。

实在切不干净的（面板之间根本没有空白，如并排的 force plot），退回用整张 figures/pNN.png，别硬切。

2. 翻译

长文分批，每批 8–10 页，译完追加写入，避免上下文溢出。

• 全文翻译，不跳段：摘要、引言、结果、讨论、方法、作者贡献、图注
• 参考文献列表保留英文，不翻译
• 图注要翻译。复杂图的图注能有几百字，是读懂图的唯一入口，留英文等于把图的含义藏起来了
• 图注里的面板标记（a / (a)）与图号原样保留，只译描述文字
• 图片本体不动：图里的英文标注保持原样，不做 OCR 重排
• 参考文献、致谢、声明类章节不翻译
• 术语首次出现附原文：系间窜越（intersystem crossing, ISC）
• 化学式、单位、数值、公式编号、图表编号（Fig. 1a）原样保留
• 公式用 Unicode 符号表达，复杂公式辅以文字说明
• 人名、期刊名保留英文
• 转义作者行里的 * 和 #（通讯作者/共一标记）：写成 \* \#。两个裸 * 会配对成斜体，把中间所有作者名变成斜体

3. 写 Markdown

中文翻译.md + 同目录 _figs/ 图片文件夹（相对路径，两者必须同级）。

图注必须写在 ![...] 方括号内，不能作为独立段落放在图片前后：

切好面板后，一个面板一张图，配它自己那一句图注。写的时候可以先集中放在一处（省事），第 3.5 步会自动搬到正文对应位置：

### 图 2 | 机器学习引导的合成条件分析与性能

图注里原本的 a b c 前缀改写成「图 2a」这种带图号的形式，读者跳着看也不会错位。文件名带图号（fig02_a.png），第 3.5 步靠它和图注里的「图 2」定位。

没切成面板时（面板互相紧贴、或退出码 3 查证后决定不切），退回整张图 + 完整图注：

pandoc 的 implicit_figures 会把它变成 ` + ` 原子块，分页时图和图注永不分离。

图注写成独立段落会出事：分页时图片被推到下一页顶部，紧跟着的是下一张图的图注，读者看到的是「图 1 的图片 + 图 2 的图注」。这种错误比没有图注更糟，而且肉眼看 Markdown 完全正常，只在 PDF 里暴露。

不要把图和图注拆成"数据图"和"图注"两个章节。

3.5 插图归位

图全堆在文末的 ## 图 里，读者在第 4 页读到「如图 2 所示」，要翻到第 12 页再翻回来。图必须紧跟在第一次提到它的那段正文后面。

python "$SK/insert_figures.py" ""

脚本把已有的图块（图片行 + 它上面的 ### 图 N 小标题）整块抬出来，再插到第一次提到该图号的正文段落之后；文末空掉的 ## 图 小节自动删除。原文件留 .bak。

• 先 --dry-run 看一遍归位结果再落盘
• 「补充图 2」不算提到图 2，脚本会跳过（不跳的话图 2 会被插到一句只提补充图的段落后面）
• 退出码 3 = 有图在正文里根本找不到提及。要么译文漏了那句引用，要么措辞不同（比如只写了「见下图」），必须去查，别直接交付
• 脚本会核对前后图片数量，不一致就拒绝写入

顺序上：先切面板（1.5）→ 写译文（3）→ 归位（3.5）→ 转 PDF（4）。

4. 转 PDF

python "$SK/md_to_pdf.py" ""

pandoc → 自包含 HTML（图片转 data URI）→ Chrome/Edge 无头打印。不需要 LaTeX。 默认输出同名 .pdf；--font sans 可换黑体正文，--keep-html 保留中间 HTML 排查排版。

图片已内嵌进 PDF，所以 PDF 单独发送不会裂图；Markdown 仍依赖同级图片文件夹。

5. 完成前自检

声称完成前逐条确认，不能凭印象：

• [ ] 走了哪条路已经问过用户（Word 转换满意 → 直接翻；不满意 → OCR/识图）
• [ ] 提取脚本退出码 0（或告警已查证解决）
• [ ] 切面板的退出码 0（或退出码 3 已逐条看图查证）
• [ ] 插图归位的退出码 0（每张图都找到了正文提及）
• [ ] md 里 ![ 数量 == 面板总数（或未切分时 == 图数量）
• [ ] PDF 里逐张图确认「图 N 的图片」配「图 N 的图注」——渲染几页出来看，不要只看页数
• [ ] PDF 里图紧跟在提到它的正文后面，不是全挤在文末
• [ ] 面板顺序没串：fig02_a.png 配的是 2a 的图注，不是 2b 的
• [ ] 各章节齐全（对照 text.txt，无整段遗漏）
• [ ] 临时目录已删除

交付时一并告知用户：译文需人工复核，数据、单位、结论性表述尤其要对照原文，不要直接用于投稿或引用。

校验图注是否错位：

python -c "import fitz,re; d=fitz.open(r''); [print(i+1, re.findall(r'图\s*\d+\s*\|', p.get_text())) for i,p in enumerate(d) if p.get_images()]"

每个有图的页面应当只出现一个图号。

常见错误

| 问题 | 解决 | |------|------| | 图数量告警，但确实只有 N 张图 | 一页可能含多图。查 manifest 确认后按实际情况继续 | | 引用了 Supplementary Fig.17 却没这张图 | 正常，SI 是独立文件；脚本已排除 Supplementary/Extended Data | | PDF 里作者名大段变斜体 | 作者行的 * 未转义，改 \* | | PDF 顶部标题出现两次 | 正常已由 CSS 屏蔽；若仍出现，检查 md 是否自带 H1 | | 拉丁字母显示成打字机风格 | 字体栈把中文字体排在了前面，拉丁字符应先落到 Georgia | | 图片文件过大 | --max-width 1200（默认 1600px） | | 切面板报 "panel count or order is wrong" | 没给 --layout，或数错了。看图重数每行几个 | | 切面板报 "content is cut off" | 先看图。只是邻图的轴标题蹭进来就可以接受；真被切断则调 --pad，或该图退回整张 | | 切出来多了一块页眉 | 正常，脚本按「在首个面板标签之上」判为页面装饰并排除，不计入墨量守恒 | | OCR 读不出 i / l / o | 常态，note 里会写明；靠其余标签一致性背书，不算失败 | | 面板之间根本没有空白 | 并排的 force plot 一类。别硬切，退回整张图 | | 归位报「NO MENTION FOUND」 | 译文里没有「图 N」字样。查是漏译了引用句，还是原文写的「见下图」这种；补上引用再跑 | | 图被插到只提「补充图 N」的段落后 | 脚本已排除补充/附/Supplementary 前缀；若仍出现，检查该段是否真的没提正文图 | | 归位后图仍在文末 | 那一张就是没找到提及，退出码 3 已告警，去查 | | 扫描件字迹模糊 | --dpi 300 | | 提取文本断行严重 | 用 Read 工具直接读 PDF（pages 参数）交叉核对 |

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: obenic
• Source: obenic/paper-translator
• License: MIT

Install and usage instructions live in the source repository linked above.