professional-pdf-translator

通用长篇文献/小说多页PDF逐页自动提取、匹配用户提供的本地术语表并翻译追加至DOCX的自动化工作流。适用于任何具有特定受众、包含大量专有名词的长文献、小众长篇小说、学术论文、技术白皮书等PDF翻译场景。用户自行提供原文PDF、专业术语对照表及输出路径。

PDF Batch Translator — 通用长篇文献逐页翻译工作流

致谢：本 Skill 的 DOCX 写入模块参考了 tiangong-wps-word-automation-cn (作者: tiangong) 的 Windows COM 自动化思路。如果你还需要 Word/WPS 的批量自动化操作（合并、拆分、导出 PDF 等），推荐安装原 Skill：clawhub install tiangong-wps-word-automation-cn。

概述

本 Skill 提供一套标准化的长文献 PDF 逐页翻译自动化流水线，核心能力：

• 逐页提取：从多页 PDF 中按页码逐一提取文本，智能处理双栏排版
• 术语匹配：根据用户提供的专业术语对照表（支持多个文件），自动识别当前页出现的术语并向翻译模型提供参考
• 动态词库：每页翻译完成后，自动提取新出现的专有名词（人名、地名、特有概念），追加至专属词表，确保跨页译名一致性
• 富文本写入：将翻译结果以 Markdown 格式写入 DOCX，自动转换标题层级、粗体、斜体，并支持用户自定义高亮规则

适用场景

• 小众长篇小说（如特定圈层的同人/原创作品）
• 学术论文与技术白皮书
• 小众游戏/桌游规则书
• 行业协会标准文档
• 任何以 PDF 流通、包含大量专有术语的长篇文献

前置环境要求

• Python 环境需安装依赖：

  bash

  python -m pip install pymupdf python-docx
  

用户需要提供的内容

在启动工作流前，请向用户确认以下信息：

必需项	说明
PDF 路径	待翻译的源 PDF 文件绝对路径
输出 DOCX 路径	翻译结果目标 DOCX 文件的绝对路径
翻译范围	起止页码（如第 5 页到第 120 页）
术语对照表	一个或多个 .md 格式的术语表文件路径，格式为 English Term: 中文译名（每行一条）

可选项	说明
自定义高亮规则	一组正则表达式 + 颜色，用于在 DOCX 中对特定文本模式（如数字、公式、代码标识符）进行高亮染色
翻译风格指令	额外的自然语言指令，指导翻译模型的语气、措辞风格（如"学术严谨风格"、"保留口语化表达"、"武侠小说风格"等）
动态专属词表路径	动态词表既会被 append_terms.py 持续追加新术语，也会作为 extract_page.py 的 --terms 参数之一参与每页术语匹配，确保跨页译名一致性。默认创建在 PDF 同目录下，文件名为 {PDF文件名}_专属词表.md

术语对照表格式要求

术语表应为 Markdown 文件（UTF-8 编码），每行一条术语：

markdown

# 可选注释行以 # 开头
Ability Score: 属性值
Armor Class: 护甲级
Dexterity Saving Throw: 敏捷豁免
Fireball: 火球术

• 以 # 开头的行视为注释，不会被匹配
• 匹配逻辑：脚本会提取术语行中的英文单词片段（长度 > 3），若该片段出现在当前页文本中，则整条术语被标记为"匹配"
• 支持多个术语表文件同时使用——适合将"基础通用术语"和"特定章节术语"分开管理

执行流程

当用户提供了上述必需信息后，在一个循环中逐页执行以下步骤：

步骤 1：提取单页文本与匹配术语

使用本 Skill 内置的 extract_page.py：

bash

python "{baseDir}/scripts/extract_page.py" --pdf "/path/to/document.pdf" --page {page_num} --terms "/path/to/glossary.md" "/path/to/glossary2.md" "{dynamic_glossary_path}"

注意：--terms 的最后一个参数 {dynamic_glossary_path} 是动态专属词表路径。第 1 页时该文件可能不存在（脚本会自动跳过），从第 2 页起，前一页翻译时新提取的专有名词已经在其中，会被一并匹配，确保跨页译名一致性。

脚本输出 JSON：

• is_empty (布尔值)：是否为空白页或纯图片页
• text (字符串)：提取出的本页原文文本
• matched_terms (列表)：本页匹配到的术语条目（来自用户指定的术语表 + 动态词表）

步骤 2：执行大模型翻译

• 纯图片页 (is_empty: true)：跳过翻译，直接写入 【第 {page_num} 页】：纯图片页
• 有文本：将原文 text、匹配术语 matched_terms、当前专属词表、以及用户提供的翻译风格指令一并提交给模型翻译

强制输出格式要求：

• 仅输出纯中文译文（不附带英文原文）
• 使用 Markdown 标题（#、##、### 等）还原原文层级结构
• 使用 **粗体** 和 *斜体* 还原原文强调
• 列表项使用 - 或 1. 还原

动态词库提取：翻译完成后，要求模型识别本页新出现的专有名词（人名、地名、独特概念、特殊物品等），并使用以下脚本追加：

bash

python "{baseDir}/scripts/append_terms.py" --file "{dynamic_glossary_path}" --terms "English Name: 中文名" "Another Term: 另一个译名"

这确保新词以 UTF-8 编码追加，供下一页翻译时作为上下文参考。注意 {dynamic_glossary_path} 与步骤 1 的 --terms 最后一个参数相同，因此新追加的术语会在下一页提取时自动被匹配。

步骤 3：富文本写入 DOCX

1. 使用 write 工具将翻译好的 Markdown 文本存入临时文件（如 {workdir}/temp_translate.txt）
2. 执行写入命令：

bash

python "{baseDir}/scripts/append_docx.py" --docx "/path/to/output.docx" --textfile "{workdir}/temp_translate.txt" --page {page_num}

若用户提供了自定义高亮规则，添加 --highlights 参数：

bash

python "{baseDir}/scripts/append_docx.py" --docx "..." --textfile "..." --page {page_num} --highlights "regex1:#RRGGBB" "regex2:#RRGGBB"

步骤 4：推进下一页

page_num + 1，回到步骤 1 重复执行（--terms 参数不变，动态词表路径始终包含其中）。随着翻译推进，动态词表会越来越丰富，跨页译名一致性也随之增强。循环直至完成所有页面。完成后向用户报告总页数、跳过的纯图片页数、以及专属词表的最终路径。

自定义高亮规则

append_docx.py 支持通过 --highlights 参数传入自定义高亮规则。每条规则格式为 正则表达式:颜色HEX：

bash

--highlights "DC\s*\d+:#8B0000" "[0-9]+d[0-9]+:#006400"

• 正则表达式需符合 Python re 语法
• 颜色为 6 位十六进制 RGB（不含 # 前缀的格式也可，脚本会自动处理）
• 匹配到的文本将在 DOCX 中被加粗并以指定颜色渲染

不指定 --highlights 时，脚本仅处理 Markdown 标准格式（标题、粗体、斜体），不做额外染色。

脚本说明

extract_page.py — 单页文本提取

• 输入：PDF 路径、页码（从 1 开始）、术语表路径列表
• 智能处理双栏排版：检测页面中轴线，分别按垂直位置排序左右栏文本
• 横跨页面宽度 > 65% 的文本块识别为标题/跨栏段落
• 输出：JSON 格式的提取结果与匹配术语

append_docx.py — Markdown 转 DOCX 追加写入

• 输入：目标 DOCX 路径、包含 Markdown 译文的临时 TXT 文件、页码
• 自动解析 # 标题、**粗体**、*斜体*
• 可选自定义高亮规则
• 每页以灰色斜体分隔线标注原文页码

append_terms.py — 动态词表追加

• 输入：词表文件路径、要追加的术语列表
• 以 UTF-8 编码追加，避免 GBK 乱码
• 自动创建不存在的目录