Split Books

拆分书籍

该技能用于把一本或一期包含多个部分的 PDF，拆成“每篇文章、每章、每个案例或每个条目一个 PDF”，并按主标题命名。

技能名称 split-books 保留英文，是为了符合 Codex 技能命名规则；对用户展示和说明统一使用中文“拆分书籍”。

工作流程

1. 检查来源文件

   • 列出目标 PDF 和已有输出目录。
   • 未经用户明确要求，不覆盖已有拆分结果。
   • 优先新建 拆分文章_按标题、拆分章节 或 split-output 等输出目录。

2. 判断 PDF 类型

   • 文本 PDF：优先用文本提取识别标题、目录和页码。
   • 扫描 PDF：先抽样渲染页面，再用中文 OCR；确认 chi_sim 可用后再依赖 OCR。
   • 混合或质量较差的 PDF：结合目录页、页面截图和人工页码表处理，并保留核对报告。

3. 确定拆分边界

   • 期刊、文章：优先使用用户指定的结束标记，常见为 责任编辑。
   • 书籍、章节：优先使用目录页页码或清晰的章节标题页。
   • 同时存在目录和结束标记时，用目录或标题页确定起点，用结束标记核验终点。

4. 按主标题命名

   • 用户要求只保留主标题时，删除 ——、—、--、一一 等分隔符后的副标题。
   • 删除作者名、栏目名、页眉页脚、期刊期号和明显 OCR 噪音。
   • 保留标题本身需要的中文引号、冒号等标点。

5. 输出文件和报告

   • 每篇文章、每章或每个案例输出一个 PDF。
   • 同步生成 CSV 报告，至少包含：源 PDF、输出 PDF、标题、起始页、结束页、页数、识别方式。
   • 完成后核对：报告每一行都有对应文件，页数与 PDF 实际页数一致。

6. 明确处理异常

   • 连续页面出现同一结束标记，但中间没有新标题时，应合并到前一篇，不能生成假文章。
   • OCR 标题不可靠时，使用人工校正的目录页码表。
   • 边界无法判断时，列为疑似问题清单，不静默猜测。

内置脚本

常见文章型 PDF 可先使用：

python3 scripts/split_pdf_articles.py INPUT.pdf --output OUTPUT_DIR

常用参数示例：

python3 scripts/split_pdf_articles.py INPUT.pdf \
  --output OUTPUT_DIR \
  --start-regex '摘\s*要|摘要|内容提要' \
  --end-regex '[（(]\s*责任编辑\s*[:：]' \
  --main-title-only

脚本只是起点。遇到年鉴、扫描期刊、页码混乱或标题识别不稳定的文件，应在本地调整脚本，并把人工修正记录写入报告。

参考文件

遇到以下情况时读取 references/splitting-patterns.md：

• 需要在目录拆分、标记拆分、OCR 或人工页码表之间选择；
• 处理扫描 PDF；
• 清理中文法律期刊标题噪音；
• 记录核验结果和异常情况。