Scholar Paper Downloader

Scholar Paper Downloader

概述

学术文献PDF下载技能,帮助用户从多个公开学术资源库批量下载论文PDF,自动提取元数据并生成文献索引列表。

设计原则:

• 优先从官方免费渠道下载(arXiv、PMC、PubMed Central)
• 付费文献提供详细的手动下载指引
• 避免使用可能侵犯版权的自动下载方式

何时使用此技能

当用户需要以下操作时触发此技能:

• 下载学术论文PDF版本
• 批量获取多篇论文
• 从arXiv等学术网站下载预印本
• 从PubMed Central下载开放获取文献
• 按关键词搜索并下载论文
• 按论文ID批量下载
• 生成文献索引列表

使用场景

1. 按关键词搜索下载

python scripts/batch_downloader.py -q "machine learning"

2. 按arXiv ID下载

python scripts/batch_downloader.py --ids 2103.00001 2103.00002

3. 按DOI查询信息

python scripts/doi_query.py 10.1056/NEJMoa1915872

4. 从PubMed/PDF URL下载

python scripts/batch_downloader.py --urls "https://arxiv.org/pdf/2103.00001.pdf"

5. 自定义配置

python scripts/batch_downloader.py -q "deep learning" -o ./my_papers -m 20 -w 5

功能特性

核心功能

1. 多源搜索: 支持arXiv、PubMed、PMC、Semantic Scholar等多个学术来源
2. 批量下载: 并发下载,支持进度跟踪
3. 自动重命名: 根据元数据自动命名文件
4. 元数据提取: 提取标题、作者、日期等
5. 索引生成: 生成Markdown和JSON格式索引
6. 合法优先: 仅从官方免费渠道自动下载
7. 手动指引: 为付费文献提供详细的手动下载指南

下载策略

技能采用优先级策略处理不同类型的文献:

1. 第一优先级: 官方免费渠道

   • arXiv (预印本服务器)
   • PubMed Central (PMC, 开放获取)
   • 期刊官方网站的开放获取文章
   • 机构仓库

2. 第二优先级: 查询和索引

   • PubMed (查询元数据)
   • Semantic Scholar (获取信息)
   • CrossRef (DOI解析)

3. 无法自动下载时: 提供手动下载指引

   • Sci-Hub手动下载说明
   • 机构访问建议
   • 联系作者模板
   • 文献传递服务

支持的官方渠道

目录结构

scholar-paper-downloader/
├── SKILL.md                    # 技能主文档
├── scripts/
│   ├── __init__.py
│   ├── config.py              # 配置管理
│   ├── paper_search.py        # 论文检索
│   ├── pdf_downloader.py      # PDF下载器(仅官方渠道)
│   ├── metadata_extractor.py  # 元数据提取
│   ├── file_manager.py        # 文件管理
│   ├── index_generator.py     # 索引生成
│   ├── batch_downloader.py    # 批量下载主程序
│   ├── pubmed_downloader.py   # PubMed/PMC下载器 (新)
│   ├── doi_query.py           # DOI信息查询工具
│   └── requirements.txt       # Python依赖
└── references/
    ├── arxiv_api_guide.md     # arXiv API指南
    ├── best_practices.md      # 最佳实践
    └── manual_download_guide.md  # 手动下载指南 (新)

技术实现

下载流程

1. 输入查询 (关键词/DOI/ID/URL)
   ↓
2. 搜索论文 (arXiv + PubMed + Semantic Scholar)
   ↓
3. 检查是否可自动下载
   ├─ arXiv论文 → 直接下载
   ├─ PMC开放获取 → 直接下载
   └─ 付费期刊 → 生成手动下载指引
   ↓
4. 提取元数据
   ↓
5. 保存文件
   ├─ PDF → 保存到指定目录
   └─ 指引 → 保存下载指南
   ↓
6. 生成索引

配置选项

# config.py 关键配置
MAX_WORKERS = 5              # 并发下载线程数
TIMEOUT = 30                 # 请求超时(秒)
RETRY_TIMES = 3              # 重试次数
OUTPUT_DIR = "./downloads"   # 默认输出目录

输出格式

PDF文件命名

[第一作者]_[年份]_[期刊简写].pdf
例如:
Wickramasinghe_2022_CellStemCell.pdf
Schweitzer_2020_NEJM.pdf

索引文件

生成两种格式的索引:

1. Markdown索引 (index.md)

# 论文索引

## 2022-03-11

1. PPARdelta activation induces metabolic...
   - DOI: 10.1016/j.stem.2022.02.011
   - 期刊: Cell Stem Cell
   - 状态: 需手动下载
   - 指南: PPAR_DELTA_DOWNLOAD.md

2. JSON索引 (index.json)

[
  {
    "title": "...",
    "doi": "10.1016/j.stem.2022.02.011",
    "journal": "Cell Stem Cell",
    "status": "manual",
    "guide": "PPAR_DELTA_DOWNLOAD.md",
    "timestamp": "2026-03-11"
  }
]

手动下载指引模板

对于无法自动下载的论文,生成详细的下载指引:

# 论文下载指南

## 论文信息
- 标题: ...
- DOI: ...
- 期刊: ...

## 快速下载方法
1. 访问 Sci-Hub: https://sci-hub.tw
2. 输入 DOI: ...
3. 点击下载

## 备用方法
- 机构访问
- 联系作者
- 文献传递

最佳实践

1. 批量下载建议

# 推荐配置
python scripts/batch_downloader.py \
  -q "your topic" \
  -o ./my_papers \
  -m 20 \
  -w 5

参数说明:

• -o: 指定输出目录
• -m: 最多下载论文数
• -w: 并发线程数(不要太大,避免被封)

2. 付费文献处理

对于付费期刊论文:

1. 检查是否在PMC有开放获取版本
2. 如果没有,生成详细的手动下载指引
3. 提供多种获取方式建议
4. 保留论文元数据用于后续跟踪

3. 索引管理

定期检查索引文件:

# 查看所有未下载论文
grep "需手动下载" index.md

# 更新手动下载状态
# 编辑index.json,将status改为"downloaded"

注意事项

⚠️ 重要提醒

1. 版权尊重:

   • 仅从官方免费渠道自动下载
   • 付费文献仅提供下载指引,不自动下载
   • 下载的论文仅供个人学术研究使用

2. 使用限制:

   • 遵守网站使用条款
   • 不要过度请求(限制并发数)
   • 尊重速率限制

3. 推荐用途:

   • ✅ 学术研究
   • ✅ 个人学习
   • ✅ 文献调研
   • ❌ 商业应用
   • ❌ 大规模批量下载
   • ❌ 公开分享付费内容

手动下载指引说明

生成的下载指引包含:

1. Sci-Hub手动下载

   • 可用的Sci-Hub镜像链接
   • 详细的操作步骤
   • 常见问题解决

2. 合法获取渠道

   • 机构访问指南
   • 联系作者模板
   • 文献传递服务

3. 备用资源

   • 开放获取检查
   • 其他数据库链接
   • 学术论坛求助

故障排除

常见问题

Q: 无法下载某篇论文? A:

1. 检查是否是付费期刊
2. 查看 papers/*.md 中的下载指引
3. 尝试手动访问官方渠道

Q: 下载的PDF无法打开? A:

1. 检查文件大小(应该>1KB)
2. 重新下载
3. 尝试其他下载源

Q: 搜索不到相关论文? A:

1. 尝试不同的关键词
2. 使用更精确的标题
3. 直接输入DOI

Q: 付费文献如何获取? A:

1. 查看生成的下载指引
2. 使用Sci-Hub手动下载
3. 联系作者索取
4. 使用机构访问权限

示例工作流

示例1: 下载arXiv论文

# 搜索并下载机器学习相关的arXiv论文
python scripts/batch_downloader.py -q "machine learning" -m 5

输出:

✅ Downloaded: arxiv_2103.00001.pdf
✅ Downloaded: arxiv_2103.00002.pdf
...
📄 Generated: index.md, index.json

示例2: 查询DOI信息

python scripts/doi_query.py 10.1016/j.stem.2022.02.011

输出:

Title: PPARdelta activation induces metabolic...
Authors: Nadeera M. Wickramasinghe, ...
Journal: Cell Stem Cell
DOI: 10.1016/j.stem.2022.02.011

示例3: 付费文献处理

python scripts/batch_downloader.py --doi 10.1056/NEJMoa1915872

输出:

ℹ️  Paper not available for auto-download
📄 Generated manual download guide: NEJM_DOWNLOAD.md
📄 Added to index with status: manual

更新日志

v2.0 (2026-03-11)

• ✅ 移除Sci-Hub自动下载功能
• ✅ 添加PubMed/PMC下载支持
• ✅ 优先官方免费渠道
• ✅ 为付费文献生成详细的手动下载指引
• ✅ 改进错误提示和用户体验

v1.0 (初始版本)

• arXiv批量下载
• 元数据提取
• 索引生成

最后更新: 2026-03-11 版本: v2.0 状态: ✅ 稳定可用