paper-report
# Paper Report
将学术论文 PDF 转化为结构化的中文阅读报告，保留论文原文中的关键图表。
## 依赖
运行前确保安装 PyMuPDF：
```bash
{PYTHON} -m pip install PyMuPDF --quiet
```
**Python 路径约定**：本文档中 `{PYTHON}` 代表系统 Python3 解释器路径。
- macOS（有 CommandLineTools）：`/Library/Developer/CommandLineTools/usr/bin/python3`
- 其他环境：`python3`
首次执行时确定可用路径，后续步骤统一使用。
## 工作流程
复制以下清单并在每一步完成后勾选：
```
Task Progress:
- [ ] Step 1: 获取 PDF 文件
- [ ] Step 2: 将 PDF 每页转为图片
- [ ] Step 3: 逐页阅读理解，规划图表截取
- [ ] Step 4: 裁剪关键图表
- [ ] Step 5: 校验截图质量
- [ ] Step 6: 撰写中文报告并生成 HTML
- [ ] Step 7: 校验 HTML 文件结构、资源引用与展示效果
```
---
### Step 1: 获取 PDF 文件
**用户提供本地文件路径？** -> 直接使用该路径。
**用户提供 arXiv 链接或 ID？** -> 用 curl 下载：
```bash
# 从 arXiv ID 下载（如 2401.12345）
curl -L -o {workspace}/paper-report/paper.pdf "https://arxiv.org/pdf/{ARXIV_ID}"
```
将 PDF 存储到工作目录 `{workspace}/paper-report/paper.pdf`。验证下载成功后继续。
---
### Step 2: PDF 转图片
使用 `scripts/pdf_to_images.py` 将每一页渲染为 PNG 图片：
```bash
{PYTHON} scripts/pdf_to_images.py {workspace}/paper-report/paper.pdf {workspace}/paper-report/pages
```
脚本以 2x 分辨率渲染，输出到 `{workspace}/paper-report/pages/page_1.png`, `page_2.png`, ...
**注意**：此步骤的目的是让大模型能以图片形式"看到"每一页的完整布局，包括公式、图表和排版。
---
### Step 3: 逐页阅读理解 & 规划截图
使用 Read 工具逐页查看 `{workspace}/paper-report/pages/page_N.png` 图片。
每页阅读时，**同时完成两个任务**：
**任务 A — 内容理解**：
- 提取该页的核心论点、方法描述、实验结果等关键信息
- 用中文在心中记录摘要，为最终报告准备素材
**任务 B — 图表定位**：
- 识别页面中的所有 Figure、Table、重要公式或算法框
- 记录每个图表在 PDF 原始坐标系中的裁剪区域（Rect 坐标）
坐标确定方法：
- PDF 页面原始尺寸通常约 595 x 842 pt（A4）
- 渲染图片为 2x，因此图片像素约 1190 x 1684
- 在图片中目测位置后，**将像素坐标除以 2** 得到 PDF 原始坐标
- 记录格式：`(page_index, x0, y0, x1, y1, label)` 其中 page_index 从 0 开始
**输出**：整理出一份截图计划列表，例如：
```
截图计划：
1. Figure 1 - 系统架构图 → page 3, Rect(30, 38, 565, 290)
2. Figure 2 - 实验结果对比 → page 3, Rect(30, 295, 565, 485)
3. Table 1 - 性能指标 → page 5, Rect(30, 50, 565, 200)
...
```
---
### Step 4: 裁剪关键图表
根据 Step 3 的截图计划，使用 `scripts/crop_figures.py` 进行批量裁剪：
```bash
{PYTHON} scripts/crop_figures.py \
{workspace}/paper-report/paper.pdf \
{workspace}/paper-report/figures \
'{crop_spec_json}'
```
其中 `{crop_spec_json}` 是 JSON 格式的裁剪规格：
```json
[
{"page": 3, "rect": [30, 38, 565, 290], "name": "fig1_architecture"},
{"page": 3, "rect": [30, 295, 565, 485], "name": "fig2_results"},
{"page": 5, "rect": [30, 50, 565, 200], "name": "table1_metrics"}
]
```
脚本以 3x 分辨率裁剪以确保清晰度，输出到 `{workspace}/paper-report/figures/` 目录。
---
### Step 5: 校验截图质量
使用 Read 工具逐一查看 `{workspace}/paper-report/figures/` 中的每张截图：
- 图表内容是否完整，没有被截断？
- 是否包含了图表标题和标注？
- 是否有多余的文字区域混入？
**如果某张截图有问题**：调整对应的 Rect 坐标（扩大或缩小范围），然后重新裁剪该图。反复调整直到所有截图质量合格。
---
### Step 6: 生成中文阅读报告（HTML）
使用以下模板结构，生成一个自包含的 HTML 文件。图片使用 base64 内嵌以确保可移植性。
**报告结构**：
```
1. 论文基本信息（标题、作者、机构、发表信息）
2. 研究背景与动机
3. 核心方法 / 技术方案（配架构图）
4. 实验设计
5. 实验结果与分析（配结果图表）
6. 主要贡献与创新点
7. 局限性与未来方向
8. 个人点评与总结
```
**图片内嵌方法**：将裁剪好的图片转为 base64 嵌入 HTML：
```python
import base64
def img_to_base64(path):
with open(path, "rb") as f:
data = base64.b64encode(f.read()).decode()
ext = path.rsplit(".", 1)[-1]
mime = {"png": "image/png", "jpg": "image/jpeg"}.get(ext, "image/png")
return f"data:{mime};base64,{data}"
```
在 HTML 中使用：`<img src="{base64_data}" alt="Figure 1" style="max-width:100%;">`
**HTML 模板参考**：详见 [report-template.html](report-template.html)
**关键写作要求**：
- 全文使用中文撰写，术语首次出现时附英文原文，如"注意力机制（Attention Mechanism）"
- 图表引用格式："如图 1 所示，..." 或 "表 1 汇总了..."
- 保持学术严谨性，不添加原文未涉及的推测
- 每个章节应有实质内容，避免泛泛而谈
**输出文件命名**：最终 HTML 文件以论文标题命名，格式为 `{论文简短标题}-阅读报告.html`。从论文标题中提取核心关键词作为简短标题（去除特殊字符，空格替换为短横线），例如论文标题为 "Attention Is All You Need" 则文件名为 `Attention-Is-All-You-Need-阅读报告.html`。
将最终 HTML 文件保存到 `{workspace}/paper-report/outputs/{论文简短标题}-阅读报告.html`。
---
### Step 7: 校验 HTML 文件结构、资源引用与展示效果
使用 Read 工具查看生成的 HTML 文件，逐项检查以下内容：
**结构完整性**：
- HTML 基本结构是否完整（`<!DOCTYPE html>`、`<html>`、`<head>`、`<body>` 标签齐全）
- 所有章节标题（h2）是否按报告结构依次出现，没有遗漏
- 每个章节是否有实质内容，不存在空段落或占位符文本（如 `{{...}}`）
**资源引用**：
- 所有 `<img>` 标签的 `src` 属性是否为有效的 base64 data URI（以 `data:image/png;base64,` 或 `data:image/jpeg;base64,` 开头）
- 不存在任何外部图片链接或本地文件路径引用（确保自包含可移植性）
- 每张图片的 `alt` 属性和 `<figcaption>` 是否有描述性文字
**展示效果**：
- CSS 样式是否内嵌在 `<style>` 标签中，无外部样式表依赖
- 图表与其所属章节的上下文是否对应（如架构图在方法章节，结果图在实验章节）
- 中文排版是否正常，术语后是否附有英文原文
**如果发现问题**：直接修复 HTML 文件中的对应内容，修复后重新保存到同一路径。
---
## 特殊情况处理
**双栏排版论文**：大多数学术论文为双栏排版。图表可能跨栏或单栏，注意调整裁剪宽度。单栏图通常宽约 30-280 或 300-565，跨栏图宽约 30-565。
**扫描版 PDF**：如果 PDF 页面渲染后文字模糊或为扫描件，依然可通过图片方式阅读理解，但截图质量可能受限，在报告中注明来源质量。
**超长论文（>20 页）**：分批处理页面图片，每批 5-8 页，避免上下文溢出。先通读全文结构，再聚焦重点章节。
**论文含附录**：附录中的补充图表如有价值也应截取，在报告中设置独立的"附录内容"章节。
标签
skill
ai
