PDF E2c

pdf-e2c — English paper PDF → Chinese-version PDF

把英文论文 PDF 转成自由流式排版的中文 PDF。中文与英文占用空间差异大，所以 不保留原双栏版式，重排为单栏；图/表/公式从原 PDF 高清裁切为图片插入（"用原图"）， 正文/标题/图注全部翻译为中文，参考文献按惯例保留英文。

Claude 自己做翻译和版面决策；脚本只负责机械的提取、裁切、排版。

环境

• Python 3，需装 pip install pymupdf reportlab pillow（无需专门 conda 环境）。 下文一律写 python；若系统里有多个解释器，替换成实际路径（如 C:/Users/<you>/miniconda3/python.exe）。
• 脚本目录：本 skill 安装位置下的 scripts/（全局安装时为 ~/.claude/skills/pdf-e2c/scripts/）。
• 中文字体：reportlab 内置 CID 字体 STSong-Light（宋体，免装字体文件）。
• 工作目录 <workdir>：建议在源 PDF 同级建 <pdf目录>/cn_work/，存放所有中间产物。

工作流（5 步）

Step 1 — 提取文本块 + 页面预览

python scripts/extract_blocks.py "<input.pdf>" "<workdir>" [--dpi 100]

产出：blocks.json（每页文本块：bbox / font / size / is_math / text）、 image_rects.json（内嵌位图的位置矩形＝插图候选）、preview/p*.png（整页渲染）。

然后 Read blocks.json 全文 和若干 preview/p*.png，建立全文理解 + 看清版式 （双栏阅读顺序、哪里是图/表/公式/章节标题/参考文献）。

Step 2 — 规划裁切区域，写 <workdir>/crops.json

依据 image_rects.json（图）、blocks.json 里 is_math 的块和表格块（小字号、多列）， 为每个图 / 表 / 公式确定 {page(1-based), rect:[x0,y0,x1,y1] pt}。技巧：

• 图：用 image_rects.json 的 rect，上下各留 1–3pt；标题行不要框进去（标题另行翻译）。
• 表：框住表头到表尾（含横线），可参考相邻文本块 bbox 的并集。
• 公式：框住该公式行；行内公式可整行裁，或在译文里用纯文本内联（π_θ→πθ、下标写成 Ot）。

python scripts/crop_regions.py "<input.pdf>" "<workdir>"

产出 assets/<name>.png。Read 抽查几张（尤其表格/公式）确认无截断；不对就改 rect 重跑。

Step 3 — 翻译全文（Claude 亲自做）

逐块把英文 prose / 标题 / 图表标题 / 摘要 / 关键词翻成流畅的技术中文：

• 术语统一、忠实；专有名词与模型名（CARLA、Qwen2.5-VL、LoRA、SLAM…）保留英文。
• 行内数学符号用纯文本内联（避免 ∈ ⊂ ∏ 等字体缺字符号，可改写为"属于/约/大于等于"等）。
• 把被分栏/分页截断的同一段落合并成一个连续段落。
• 参考文献保留英文原文（学术惯例）。

Step 4 — 组装 <workdir>/document.json（有序内容流）

按论文阅读顺序排出 elements 列表，文字已是中文，图/表/公式用 src（=assets 文件名，免 .png）。 图/表/公式就近放在其首次被引用处附近。 元素类型见 scripts/build_cn_pdf.py 顶部 schema： title / author / affil / abstract / h1 / h2 / body(indent默认true) / bullet / image(src,caption,max_ratio) / equation(src,max_ratio) / reference / refs_block / spacer。

• h1＝章节（I. 引言 / II. 相关工作…），h2＝子节（A. … / B. …）。
• 整段图注放进 image 的 caption；参考文献用一个 refs_block（按 [n] 自动拆条）。
• max_ratio：整幅图≈1.0，窄表≈0.8–0.95，公式≈0.7–0.85。

Step 5 — 构建 + 校验

python scripts/build_cn_pdf.py "<workdir>" --out "<同目录>/<原名>_中文版.pdf"

然后用 PyMuPDF 把成品逐页渲染成 png 并 Read 抽查每页：字体是否缺字（豆腐块）、 图表公式是否正确、排版是否美观。有问题就改 document.json / crops.json 重跑对应步骤。

import fitz, os
d = fitz.open(out_pdf)
for i in range(d.page_count):
    d[i].get_pixmap(dpi=100).save(os.path.join(workdir, "preview_cn", f"v{i+1}.png"))

校验清单

• 无缺字/豆腐块（中文标点、破折号 —— 正常）。
• 每张图/表/公式都来自原图、清晰无截断、位置靠近引用处。
• 段落连贯（分栏截断已合并），术语统一，模型/数据集名保留英文。
• 章节层级正确，图注/参考文献格式整齐。
• 成品命名 <原名>_中文版.pdf，放在源 PDF 同目录。

备注

• 这是"阅读用"中文重排版本，不追求与原版逐像素对齐；用户已确认接受自由排版。
• 想换风格：字体（--font，需 reportlab 支持的 CID 名）、纸张（document.json page:"letter"）、 字号/间距在 build_cn_pdf.py 的 S 样式表里改。
• 若 PDF >32MB 或读取失败，先用 pdf-compressor 压缩再处理。
• 仅处理用户提供的文档；翻译/摘录其自有文档无版权问题。