文档处理的相关工具

目前网页端的文档，可以通过沉浸式翻译来进行翻译阅读和学习。
但是某些文献只有pdf下载的版本，所以需要一个免费的针对pdf的翻译工具。
保留公式和图片格式。
推荐一个pdf翻译的工具，可以自己部署使用。如果需要word版本，后面讨论了几个工具，最后使用adobe 的pdf文档处理的。

英文pdf到中文和一些语言的pdf工具

PDFMathTranslate

这里有网页版的直接使用

本地配置方案：达到的目的，把一个英文pdf文献，翻译为中文，并且变成可编辑的word格式。

通过uv安装

已安装 Python (3.10 <= 版本 <= 3.12)

pip install uv
uv tool install --python 3.12 pdf2zh

uv 是一个新一代的 Python 包管理工具，由开发 Ruff 的团队 (Astral) 创建，旨在替代传统的 pip 和 pip-tools。它的主要特点是：

极速安装：用 Rust 编写，比 pip 快 10-100 倍

跨平台：支持 Windows/macOS/Linux

兼容性：完全兼容 pip 和 requirements.txt

轻量化：独立的二进制文件，无需虚拟环境

pdf2zh document.pdf

直接下载win安装版

下载链接
pdf2zh-v1.9.9-with-assets-win64.zip: （推荐）带资源（字体、模型等）的 pdf2zh
因为字体的资源需要排版和识别。

python 下载和网页GUI

使用conda创建一个独立环境

conda  create -n pdf_translation python=3.12 

pip install pdf2zh

pdf2zh -i

最好在，需要生成的目录下，打开这个网页。

尝试使用

参数

这个命令应该有不少参数，网页端对于链接现在测试不通过。
但是file文件是可以使用的。

语言

可以看到对于主流的语言，翻译是覆盖了的


根据你提供的配置界面截图（image.png），这是 PDFMathTranslate 工具的选项设置界面。以下是各参数的详细解释：

---

📌 核心参数

1. Service（翻译服务）

   • 当前选择：Bing
   • 说明：使用的翻译引擎（可能还支持 Google/DeepL 等）

2. Translate from（源语言）

   • 当前选择：English
   • 说明：PDF 原文的语言

3. Translate to（目标语言）

   • 当前选择：Simplified Chinese
   • 说明：需要翻译成的语言（简体中文）

4. Pages（页面范围）

   • 选项：
     • All：转换全部页面
     • First：仅第一页
     • First 5 pages：前5页
     • Others：自定义页码范围（需手动输入）

---

⚗️ 实验性选项（Experimental）

5. Number of threads（线程数）

   • 默认值：4
   • 说明：多线程处理加速转换（建议 ≤ CPU 核心数）

6. Skip font subsetting（跳过字体子集化）

   • 说明：忽略 PDF 中的字体子集（可能加快速度但影响排版）

7. Ignore cache（忽略缓存）

   • 说明：强制重新处理（适用于更新后的 PDF）

8. Custom formula font regex（公式字体正则）

   • 说明：用正则表达式指定公式字体（高级用户使用）

9. Use BabelDOC（✓ 已启用）

   • 说明：启用 BabelDOC 引擎（优化公式转换的兼容性）
   • 效果：
     • 提升复杂公式识别率
     • 支持 LaTeX/MathML 混合输出
     • 解决特殊符号乱码问题

---

⚠️ 使用建议

1. 基础转换：

   python translate.py input.pdf --to zh-CN --service bing
   

2. 启用 BabelDOC（推荐）：

   python translate.py input.pdf --use_babeldoc
   

3. 多线程加速：

   python translate.py input.pdf --threads 8
   

4. 自定义页码范围：

   python translate.py input.pdf --pages 1,3-5
   

---

💡 注意事项

• BabelDOC 是核心功能：对含数学公式的 PDF 有显著优化效果
• 线程数选择：
  • 小文件：4 线程
  • 大文件（>50页）：建议 8-12 线程
• 中文排版：若遇乱码可尝试 --skip_font_subsetting

该界面通过 config_gui.py 启动（项目中的 GUI 配置文件），完整参数可参考 config.ini 文件。

通过命令行使用

更多的扩展命令和高级用法说明文档
此处会设置选择和配置模型。

Below is the organized table of command options for pdf2zh based on the provided information:

Option (选项)	Function (功能)	Example (示例)
files	Local files (本地文件)	pdf2zh ~/local.pdf
links	Online files (在线文件)	pdf2zh http://arxiv.org/paper.pdf
-i	Enter GUI (进入图形用户界面)	pdf2zh -i
-p	Partial document translation (部分文档翻译)	pdf2zh example.pdf -p 1
-li	Source language (源语言)	pdf2zh example.pdf -li en
-lo	Target language (目标语言)	pdf2zh example.pdf -lo zh
-s	Translation service (翻译服务)	pdf2zh example.pdf -s deepl
-t	Multi-threads (多线程)	pdf2zh example.pdf -t 1
-o	Output dir (输出目录)	pdf2zh example.pdf -o output
-f, -c	Exceptions (异常)	pdf2zh example.pdf -f "(MS.*)"
-cp, --compatible	Compatibility Mode (兼容模式)	pdf2zh example.pdf --compatible
--skip-subset-fonts	Skip font subset (跳过字体子集)	pdf2zh example.pdf --skip-subset-fonts
--ignore-cache	Ignore translate cache (忽略翻译缓存)	pdf2zh example.pdf --ignore-cache
--share	Public link (公共链接)	pdf2zh -i --share
--authorized	Authorization (授权)	pdf2zh -i --authorized users.txt [auth.html]
--prompt	Custom Prompt (自定义提示)	pdf2zh --prompt [prompt.txt]
--onnx	Use Custom DocLayout-YOLO ONNX model (使用自定义 DocLayout-YOLO ONNX 模型)	pdf2zh --onnx [onnx/model/path]
--serverport	Use Custom WebUI/Gradio port (使用自定义 WebUI/Gradio 端口)	pdf2zh --serverport 7860
--dir	Batch translate (批量翻译)	pdf2zh --dir /path/to/translate/
--config	Configuration file (配置文件)	pdf2zh --config /path/to/config/config.json
--babeldoc	Use Experimental backend BabelDOC to translate (使用 BabelDOC 后端翻译)	pdf2zh --babeldoc -s openai example.pdf
--mcp	Enable MCP STDIO mode (启用 MCP STDIO 模式)	pdf2zh --mcp
--sse	Enable MCP SSE mode (启用 MCP SSE 模式，需配合 --mcp)	pdf2zh --mcp --sse

Key Notes:

1. 位置参数

   • files: 直接输入本地文件路径
   • links: 直接输入在线文件 URL

2. 别名选项

   • 异常处理：-f 和 -c 功能相同
   • 兼容模式：-cp 和 --compatible 功能相同

3. 依赖选项

   • --sse 需与 --mcp 同时使用

4. 特殊模式

   • -i 启动 GUI 后，可配合 --share/--authorized 实现高级功能
   • --babeldoc 需指定翻译服务 (如 -s openai)

5. 覆盖逻辑

   • --config 可覆盖其他命令行参数
   • --ignore-cache 强制重新翻译全文

pdf2word

pandoc

pdf2docx 这个python库，对于word的转换，支持的只有txt格式的pdf，对于图片无法处理。

直接使用Adobe Acrobat进行pdf转换。（有较多的图片块，可以编辑和粘贴，但是和正常的word版本不一致）

对于Pandoc使用进行的说明，适合。

Pandoc 使用说明

Pandoc 是一个强大的文档转换工具，被称为"文档转换的瑞士军刀"。它可以在多种标记格式之间进行转换，包括 Markdown、HTML、LaTeX、Word、PDF 等。但是此处并不是很合适，无法直接从pdf到word。

事实上，使用typora这个markdown的编辑器，并进行转换应用比较合适。

官网最新版本需要付费。
过去的版本，不需要付费

Pandoc

Windows

从 Pandoc 官网 下载 Windows 安装包，或使用包管理器：

# 使用 Chocolatey
choco install pandoc# 使用 Scoop
scoop install pandoc

macOS

# 使用 Homebrew
brew install pandoc# 使用 MacPorts
sudo port install pandoc

Linux

# Ubuntu/Debian
sudo apt-get install pandoc# CentOS/RHEL
sudo yum install pandoc# Arch Linux
sudo pacman -S pandoc

基本语法

Pandoc 的基本命令格式为：

pandoc [选项] [输入文件] -o [输出文件]

常用转换示例

Markdown 转 HTML

# 基本转换
pandoc input.md -o output.html# 生成完整的 HTML 文档（包含 head 和 body）
pandoc input.md -s -o output.html# 指定 CSS 样式
pandoc input.md -s --css style.css -o output.html

Markdown 转 PDF

# 需要先安装 LaTeX 或使用其他 PDF 引擎
pandoc input.md -o output.pdf# 使用特定的 PDF 引擎
pandoc input.md --pdf-engine=xelatex -o output.pdf# 设置中文支持
pandoc input.md --pdf-engine=xelatex -V mainfont="SimSun" -o output.pdf

Markdown 转 Word

pandoc input.md -o output.docx# 使用自定义模板
pandoc input.md --reference-doc=template.docx -o output.docx

HTML 转 Markdown

pandoc input.html -o output.md

LaTeX 转其他格式

# LaTeX 转 HTML
pandoc input.tex -o output.html# LaTeX 转 Word
pandoc input.tex -o output.docx

重要选项参数

基本选项

• -o, --output：指定输出文件
• -f, --from：指定输入格式
• -t, --to：指定输出格式
• -s, --standalone：生成完整的文档
• --toc：生成目录

格式相关

# 明确指定输入输出格式
pandoc -f markdown -t html input.md -o output.html# 生成带目录的文档
pandoc input.md --toc -s -o output.html# 设置目录深度
pandoc input.md --toc --toc-depth=2 -s -o output.html

PDF 相关选项

# 设置页边距
pandoc input.md -V geometry:margin=1in -o output.pdf# 设置字体
pandoc input.md -V mainfont="Times New Roman" -o output.pdf# 设置文档类别
pandoc input.md -V documentclass=article -o output.pdf

高级用法

使用模板

# 使用自定义 HTML 模板
pandoc input.md --template=mytemplate.html -o output.html# 查看默认模板
pandoc -D html > default.html

过滤器使用

# 使用 Lua 过滤器
pandoc input.md --lua-filter=filter.lua -o output.html# 使用多个过滤器
pandoc input.md --filter=filter1 --filter=filter2 -o output.html

元数据设置

# 在命令行中设置元数据
pandoc input.md -V title="我的文档" -V author="作者名" -o output.html# 使用元数据文件
pandoc input.md --metadata-file=metadata.yaml -o output.html

处理图片

# 提取媒体文件到指定目录
pandoc input.md --extract-media=./media -o output.html# 设置图片路径
pandoc input.md --resource-path=./images -o output.html

支持的格式

输入格式

• Markdown（多种变体）
• HTML
• LaTeX
• Word docx
• OpenDocument
• MediaWiki
• Textile
• reStructuredText
• Emacs Org mode

输出格式

• HTML
• LaTeX
• PDF
• Word docx
• OpenDocument
• ePub
• MediaWiki
• 各种幻灯片格式（reveal.js、Slidy、Beamer）

实用技巧

批量转换

# 批量转换所有 md 文件为 html
for file in *.md; dopandoc "$file" -o "${file%.md}.html"
done

配置文件

创建 ~/.pandoc/defaults.yaml 文件来设置默认选项：

from: markdown
to: html
standalone: true
toc: true
css: style.css

然后使用：

pandoc input.md -d defaults -o output.html

数学公式支持

# 使用 MathJax 渲染数学公式
pandoc input.md --mathjax -s -o output.html# 使用 KaTeX
pandoc input.md --katex -s -o output.html

常见问题解决

中文支持

对于包含中文的文档，转换为 PDF 时需要：

pandoc input.md --pdf-engine=xelatex -V CJKmainfont="SimSun" -o output.pdf

代码高亮

# 启用语法高亮
pandoc input.md --highlight-style=github -s -o output.html# 查看可用的高亮样式
pandoc --list-highlight-styles

Pandoc 是一个功能强大且灵活的工具，掌握这些基本用法后，你就可以轻松地在各种文档格式之间进行转换了。更多高级功能可以参考 Pandoc 官方文档。