文献copilot：调用文心一言api对论文逐段总结
当我读文献的时候，感觉读得太慢了，看翻译软件翻译的又觉得翻译的不好。于是我就写了个程序辅助我读文献，它可以逐段总结，输出格式是：原文 +一句话总结 +分段总结，每一段间用分割线分割。下面给大家看看输出结果。
输入
一个.txt文件，这个直接从论文的网页上复制粘贴到记事本里就行。我平常看nature的期刊比较多，nature的绝大多数都可以直接复制，很方便。一个小建议是鼠标通过导航栏，找到reference，然后自下而上选择一直到标题，复制粘贴即可。
大家可以用这个论文练练手：https://www.nature.com/articles/s41587-022-01448-2。
这种方法其实没有那么优雅和便捷，我也想过用爬虫直接爬取，不过一是因为每个期刊网站不一样，不太方便；二是因为爬虫其实会更慢一些。我还想过通过pdf直接转txt或者直接用pdf来进行总结，这个可行，因为像chatdoc就做成功了，而且非常好（不过chatdoc也不能自动化地逐段总结，并且收费，个性化程度不高），但是难度较大，并且我觉得没太大必要，这种方法已经满足我的需求了。
运行方式
首先把输入文件和输出文件的路径确定了：
- filepath：论文.txt所在路径（这个斜杠/，不是这个\）
- outpath：输出路径，可以和filepath一样
大家还需要配置一下文心一言的API_KEY、SECRET_KEY，这个网上教程很多。
python
import json
import os
import sys
import requests
from tqdm import tqdm
from md_translator import *
# 下面两行是不同的运行方式
filename = sys.argv[1] # 这是用命令行的方式
# 这是在编辑器运行的方式
# filename = "论文名字.txt"
filepath = "D:/"
outpath = "D:/"
# 文心一言的API_KEY、SECRET_KEY
API_KEY = "你的API_KEY"
SECRET_KEY = "你的SECRET_KEY"编译器内运行
赋值filename为对应的文件名就行，要带后缀。
python
filename = "论文名字.txt"然后直接运行即可，会显示一个进度条，结束时会自动打开输出目录。
命令行运行
编译器运行比较麻烦，每次得改文件名，还得点击运行，命令行就方便多了。
直接进到程序的目录，然后改好环境，第二个参数改为文件名即可：
sh
python .\paper_reader.py "论文名字.txt"
输出结果
会输出一个名为总结-论文名字.md的文件。
第一行大标题，论文名字，接着用分割线来分割每一段，上面是英文，下面是用中文的一句话总结和分段总结。
源代码
paper_reader.py
python
import json
import os
import sys
import requests
from tqdm import tqdm
from md_translator import *
# 下面两行是不同的运行方式
filename = sys.argv[1] # 这是用命令行的方式
# 这是在编辑器运行的方式
# filename = "论文名字.txt"
filepath = "D:/"
outpath = "D:/"
# 文心一言的API_KEY、SECRET_KEY
API_KEY = "你的API_KEY"
SECRET_KEY = "你的SECRET_KEY"
f = open(outpath + '总结-' + filename.split('.')[0] + '.md', 'w', encoding='utf-8')
old_out = sys.stdout
sys.stdout = f
def ask_Q(question):
url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions?access_token=" + get_access_token()
payload = json.dumps({
"messages": [
{
"role": "user",
"content": question
}
]
})
headers = {
'Content-Type': 'application/json'
}
response = requests.request("POST", url, headers=headers, data=payload)
return response
# print(response.text)
def get_access_token():
"""
使用 AK，SK 生成鉴权签名（Access Token）
:return: access_token，或是None(如果错误)
"""
url = "https://aip.baidubce.com/oauth/2.0/token"
params = {"grant_type": "client_credentials", "client_id": API_KEY, "client_secret": SECRET_KEY}
return str(requests.post(url, params=params).json().get("access_token"))
# %%
md_origin = md_df(filepath + filename)
# %%
import copy
md_res = copy.deepcopy(md_origin)
for i_zyh in tqdm(range(md_origin.shape[0])):
# for i_zyh in range(1):
try:
if md_origin.loc[i_zyh, 'type'] == 'text':
# Input = '现在你是一个专业翻译家，一个具有生物学背景的生物信息学教授，你的目标是把生物学领域学术论文中的一段翻译成中文。请翻译时不要带翻译腔，而是要翻译得自然、流畅和地道，使用优美和高雅的表达方式。请注意，提供的段落是markdown格式的，你翻译后需要保留原格式，除了提供给我翻译后的文本，我还需要你分点帮我总结这一段的精要，并且用一句话总结。现在请翻译并总结:' + \
# md_origin.loc[i_zyh, 'content']
Input = '现在你是一个生物学教授，你的目标是把生物学领域学术论文中的一个"自然段（paragraph）"[分点总结]，并且用[一句话总结]。请注意，呈现方式为："一句话总结\n：......；分段总结(用markdown的有序列表格式)：1. ......；2. ......；3. ......、......"，现在请总结:' + \
md_origin.loc[i_zyh, 'content']
# Input = '晚上吃什么'
ans = ask_Q(Input)
ans = json.loads(ans.text)
md_res.loc[i_zyh, 'content'] = ans['result']
if i_zyh == 0:
print('# ' + md_origin.loc[i_zyh, 'content'])
else:
print(md_origin.loc[i_zyh, 'content'])
# print("第",i_zyh,"行")
if i_zyh != 0:
print(ans['result'])
# f.write(ans['result'])
print('')
print('------')
else:
# print('------')
print(md_res.loc[i_zyh, 'content'])
print('')
print('------')
# f.write(md_res.loc[i_zyh, 'content'])
except Exception:
print('这一段报错了，不过问题不大')
# 恢复原来的输出流
sys.stdout = old_out
# 关闭文件
f.close()
os.startfile(outpath)
# print('文件输出路径：\n'+outpath + 'out' + filename)md_translator.py
python
# 导入所需的库
import pandas as pd
import re
# 定义一个函数，用于读取markdown文件，并按段落分割
def read_markdown(file):
# 打开文件，读取内容
with open(file, 'r', encoding='utf-8') as f:
content = f.read()
# 按换行符分割内容，得到一个列表
lines = content.split('\n')
# 定义一个空列表，用于存储分割后的段落
paragraphs = []
# 定义一个空字符串，用于拼接段落
paragraph = ''
# 遍历每一行
for line in lines:
# 如果是空行，说明段落结束，将拼接好的段落添加到列表中，并清空字符串
if line == '':
if paragraph != '':
paragraphs.append(paragraph)
paragraph = ''
# 如果是代码块的开始或结束标志，也说明段落结束，将拼接好的段落添加到列表中，并清空字符串
elif line.startswith('```'):
if paragraph != '':
paragraphs.append(paragraph)
paragraph = ''
# 将代码块的开始或结束标志也添加到列表中
paragraphs.append(line)
# 如果是图片链接，也说明段落结束，将拼接好的段落添加到列表中，并清空字符串
elif re.match(r'!\[.*\]\(.*\)', line):
if paragraph != '':
paragraphs.append(paragraph)
paragraph = ''
# 将图片链接也添加到列表中
paragraphs.append(line)
# 否则，将当前行拼接到字符串中，并加上换行符
else:
paragraph += line + '\n'
# 如果最后还有未添加的段落，也添加到列表中
if paragraph != '':
paragraphs.append(paragraph)
# 返回分割后的段落列表
return paragraphs
# 定义一个函数，用于识别每个段落的类型（文本、代码、图片）
def identify_type(paragraph):
# 如果是代码块的开始或结束标志，返回'code'
if paragraph.startswith('```'):
return 'code'
# 如果是图片链接，返回'image'
elif re.match(r'!\[.*\]\(.*\)', paragraph):
return 'image'
# 否则，返回'text'
else:
return 'text'
def md_df(filepath):
# 调用read_markdown函数，读取markdown文件，并按段落分割
# paragraphs = read_markdown(filepath + 'data/CellWalkR_Vignette.md')
paragraphs = read_markdown(filepath)
# 创建一个空的dataframe，有两列：'content'和'type'
md_origin = pd.DataFrame(columns=['content', 'type'])
# 遍历每个段落，识别其类型，并添加到dataframe中
for paragraph in paragraphs:
type = identify_type(paragraph)
md_origin = md_origin.append({'content': paragraph, 'type': type}, ignore_index=True)
# 找到第二列等于"code"的行的索引
code_indices = md_origin[md_origin['type'] == 'code'].index.tolist()
# 两个两个地读取索引，并设置这两个索引之间行的第二列为"code"
for i in range(0, len(code_indices), 2):
start_index = code_indices[i]
end_index = code_indices[i + 1] if i + 1 < len(code_indices) else None
# 设置这两个索引之间行的第二列为"code"
md_origin.loc[start_index:end_index - 1, 'type'] = 'code'
# i=0
# codes=[]
# while i < md_origin.shape[0]-2:
# if md_origin.loc[i,'type'] == 'code':
# codes.append(1)
# md_origin.loc[i+1,'type'] = 'code'
# i+=2
# i+=1
# 将DataFrame保存为CSV文件
return md_origin
# md_origin.to_csv('md_df.csv', index=False)