**Python 实战：写一个论文 PDF 投稿自检工具｜附 IPAT 2026 智能光子学会议征稿信息

准备提交 EI 会议或 IEEE 格式论文时，很多问题并不复杂，却很容易在最后一步被忽略：PDF 页数不足、某一页导出为空白、中文内容没有完全替换、图片型 PDF 无法检索文字......

如果每次都靠人工逐项检查，不但费时，也容易在临近投稿时漏掉细节。

本文用 Python 和 pypdf 写一个轻量级论文投稿自检工具，可以快速完成：

• 检查 PDF 是否能够正常读取；
• 检查论文是否达到最低页数；
• 找出疑似空白页或扫描页；
• 粗略判断论文是否以英文为主；
• 输出投稿前仍需人工确认的项目。

这也是一个适合 Python 初学者的 PDF 文本提取实战案例。文末还整理了智能光子学、光通信、智能传感和 AI 与光子学交叉方向的 IPAT 2026 会议信息。

说明：程序只能辅助发现基础问题，不能替代人工校对、论文查重、AI 内容检测或会议官方审核。

一、安装运行环境

建议使用 Python 3.10 或更高版本。首先安装 PDF 读取库：

python -m pip install -U pypdf

如果系统使用 python3 命令，则执行：

python3 -m pip install -U pypdf

二、完整 Python 代码

新建文件 paper_precheck.py，复制以下代码：

#!/usr/bin/env python3
"""论文 PDF 投稿前轻量级自检工具。"""

from __future__ import annotations

import argparse
import re
import sys
from dataclasses import dataclass
from pathlib import Path

from pypdf import PdfReader
from pypdf.errors import PdfReadError


LATIN_RE = re.compile(r"[A-Za-z]")
CJK_RE = re.compile(r"[\u3400-\u4dbf\u4e00-\u9fff]")


@dataclass
class CheckResult:
    level: str
    item: str
    detail: str


def visible_char_count(text: str) -> int:
    """统计去除空白字符后的文本长度。"""
    return len(re.sub(r"\s+", "", text))


def get_english_ratio(text: str) -> tuple[float, int, int]:
    """计算拉丁字母在拉丁字母与中日韩文字中的占比。"""
    latin_count = len(LATIN_RE.findall(text))
    cjk_count = len(CJK_RE.findall(text))
    total = latin_count + cjk_count
    ratio = latin_count / total if total else 0.0
    return ratio, latin_count, cjk_count


def open_pdf(pdf_path: Path) -> PdfReader:
    try:
        reader = PdfReader(str(pdf_path))
    except (PdfReadError, OSError, ValueError) as exc:
        raise RuntimeError(f"无法读取 PDF：{exc}") from exc

    if reader.is_encrypted:
        try:
            unlocked = reader.decrypt("")
        except Exception as exc:
            raise RuntimeError("PDF 已加密，请先移除密码保护。") from exc
        if unlocked == 0:
            raise RuntimeError("PDF 已加密，请先移除密码保护。")

    return reader


def check_pdf(
    pdf_path: Path,
    min_pages: int = 4,
    min_text_chars: int = 40,
    min_english_ratio: float = 0.90,
) -> list[CheckResult]:
    results: list[CheckResult] = []

    if not pdf_path.exists():
        raise RuntimeError(f"文件不存在：{pdf_path}")
    if not pdf_path.is_file():
        raise RuntimeError(f"路径不是文件：{pdf_path}")
    if pdf_path.suffix.lower() != ".pdf":
        raise RuntimeError("只支持 .pdf 文件。")

    reader = open_pdf(pdf_path)
    page_count = len(reader.pages)

    if page_count >= min_pages:
        results.append(CheckResult("PASS", "页数", f"共 {page_count} 页，不少于 {min_pages} 页"))
    else:
        results.append(CheckResult("FAIL", "页数", f"共 {page_count} 页，少于要求的 {min_pages} 页"))

    all_text: list[str] = []
    low_text_pages: list[tuple[int, int]] = []

    for page_number, page in enumerate(reader.pages, start=1):
        try:
            text = page.extract_text() or ""
        except Exception:
            text = ""

        all_text.append(text)
        char_count = visible_char_count(text)
        if char_count < min_text_chars:
            low_text_pages.append((page_number, char_count))

    if low_text_pages:
        details = ", ".join(
            f"第 {page} 页({count} 字符)" for page, count in low_text_pages
        )
        results.append(
            CheckResult(
                "WARN",
                "疑似空白页/扫描页",
                f"{details}；请打开原 PDF 人工核对",
            )
        )
    else:
        results.append(CheckResult("PASS", "页面文本", "各页均提取到足量文本"))

    merged_text = "\n".join(all_text)
    ratio, latin_count, cjk_count = get_english_ratio(merged_text)

    if latin_count + cjk_count == 0:
        results.append(
            CheckResult(
                "WARN",
                "语言比例",
                "未提取到拉丁字母或中日韩文字，PDF 可能由扫描图片组成",
            )
        )
    elif ratio >= min_english_ratio:
        results.append(
            CheckResult(
                "PASS",
                "语言比例",
                f"拉丁字母占比 {ratio * 100:.1f}%（正文以英文为主）",
            )
        )
    else:
        results.append(
            CheckResult(
                "WARN",
                "语言比例",
                f"拉丁字母占比 {ratio * 100:.1f}%，低于阈值 {min_english_ratio * 100:.0f}%",
            )
        )

    results.append(
        CheckResult(
            "INFO",
            "人工复核",
            "请继续检查 IEEE 模板、作者信息、图表、参考文献、查重及投稿要求",
        )
    )
    return results


def print_report(pdf_path: Path, results: list[CheckResult]) -> None:
    print("=" * 64)
    print("论文 PDF 投稿前自检报告")
    print(f"文件：{pdf_path.resolve()}")
    print("=" * 64)
    for result in results:
        print(f"[{result.level:<4}] {result.item}：{result.detail}")
    print("=" * 64)


def parse_args() -> argparse.Namespace:
    parser = argparse.ArgumentParser(
        description="检查论文 PDF 的页数、页面文本和英文比例"
    )
    parser.add_argument("pdf", type=Path, help="待检查的论文 PDF 路径")
    parser.add_argument("--min-pages", type=int, default=4, help="最低页数，默认 4")
    parser.add_argument(
        "--min-text-chars",
        type=int,
        default=40,
        help="页面最低可提取字符数，默认 40",
    )
    parser.add_argument(
        "--min-english-ratio",
        type=float,
        default=0.90,
        help="最低拉丁字母比例（0-1），默认 0.90",
    )
    args = parser.parse_args()

    if args.min_pages < 1:
        parser.error("--min-pages 必须大于等于 1")
    if args.min_text_chars < 0:
        parser.error("--min-text-chars 不能小于 0")
    if not 0 <= args.min_english_ratio <= 1:
        parser.error("--min-english-ratio 必须位于 0 和 1 之间")
    return args


def main() -> int:
    args = parse_args()
    try:
        results = check_pdf(
            args.pdf,
            min_pages=args.min_pages,
            min_text_chars=args.min_text_chars,
            min_english_ratio=args.min_english_ratio,
        )
    except RuntimeError as exc:
        print(f"[ERROR] {exc}", file=sys.stderr)
        return 2

    print_report(args.pdf, results)
    return 1 if any(result.level == "FAIL" for result in results) else 0


if __name__ == "__main__":
    raise SystemExit(main())

三、运行方法

假设论文文件名为 my_paper.pdf，并且与脚本放在同一目录：

python paper_precheck.py my_paper.pdf

Windows 路径包含空格时，需要加英文双引号：

python paper_precheck.py "D:\papers\IPAT 2026\my paper.pdf"

如果 Windows 旧版 PowerShell 出现中文乱码，可先执行：

$env:PYTHONIOENCODING="utf-8"

还可以修改检查阈值。例如，要求至少 5 页、每页至少提取 60 个字符：

python paper_precheck.py my_paper.pdf --min-pages 5 --min-text-chars 60

四、输出结果怎么看？

正常运行后会看到类似结果：

================================================================
论文 PDF 投稿前自检报告
文件：D:\papers\my_paper.pdf
================================================================
[PASS] 页数：共 6 页，不少于 4 页
[PASS] 页面文本：各页均提取到足量文本
[PASS] 语言比例：拉丁字母占比 99.3%（正文以英文为主）
[INFO] 人工复核：请继续检查 IEEE 模板、作者信息、图表、参考文献、查重及投稿要求
================================================================

各状态的含义如下：

• PASS：程序未发现该检查项存在明显问题；
• WARN：存在可疑情况，需要打开原 PDF 人工检查；
• FAIL：没有达到脚本设置的基础要求；
• INFO：程序无法替代的人工检查提醒。

例如，某页只有图片、公式或扫描内容时，pypdf 可能提取不到文字。程序会把它标记为"疑似空白页/扫描页"，但这并不代表该页真的为空白。

五、代码实现思路

1. 使用 pypdf 读取 PDF

PdfReader 可以获取 PDF 页数，并逐页提取文字。程序也会识别打不开的文件和加密文件，避免直接抛出一大段异常信息。

2. 使用文本长度寻找异常页面

代码去掉空格和换行后统计字符数。若某页少于 40 个可提取字符，就将它列为警告页。这个阈值可以通过 --min-text-chars 调整。

3. 使用字符比例粗略判断语言

程序分别统计拉丁字母和中日韩文字。如果拉丁字母占二者总量的 90% 以上，就认为正文大体以英文为主。

这只是启发式检查。作者姓名、公式、特殊符号、参考文献以及扫描 PDF 都可能影响结果，因此不能把它当作语言审核工具。

六、程序检查不到的内容

提交 IEEE 格式或 EI 会议论文前，仍建议人工完成以下检查：

• 论文题目、作者顺序、单位和邮箱是否正确；
• 正文是否使用会议要求的最新模板；
• 页眉、页脚、版权信息是否符合要求；
• 图片、坐标轴和表格文字是否清晰；
• 图表编号是否都在正文中被引用；
• 参考文献格式、DOI、卷期和页码是否完整；
• 是否存在批注、修订痕迹或未替换的占位文字；
• 论文是否为原创成果，是否存在一稿多投；
• 查重、AI 内容检测及其他材料是否符合当前投稿要求。

工具最适合负责"机械检查"，研究内容、学术规范和排版细节仍应由作者负责。

七、智能光子学方向会议：IPAT 2026

如果研究方向涉及智能光子学、光通信、光电器件、智能传感、成像技术或 AI 与光子学融合，可以关注第二届智能光子学与应用技术国际学术会议（IPAT 2026）。

会议核心信息：

项目	信息
会议名称	第二届智能光子学与应用技术国际学术会议（IPAT 2026）
英文名称	2026 2nd International Conference on Intelligent Photonics and Applied Technology
时间	2026 年 9 月 18---20 日
地点	中国·西安
主办方	智能光子应用技术实验室（iPatLab）
论文集	官网公示为 IEEE publication，ISBN：979-8-3195-0124-0
检索说明	录用并完成注册、报告的论文拟收入会议论文集，出版后提交 EI Compendex、Scopus 检索

主要征稿方向包括但不限于：

• AI 与机器学习在光子学中的应用；
• 量子光子学与量子技术；
• 集成光子学与光电子学；
• 光通信与网络；
• 光子物联网与智能传感；
• 自动驾驶系统中的光子技术；
• 生物医学与医疗光子学；
• 先进光子材料与器件；
• 可持续光子学与绿色技术。

相关入口：

• IPAT 2026 官方网站
• IPAT 2026 中文会议页面
• 中文在线投稿入口
• 国际投稿入口
• 会议参会报名

提醒：论文能否录用取决于研究质量和同行评审；EI Compendex、Scopus 是否最终收录以数据库实际检索结果为准。

具体投稿安排请以会议官网、投稿系统及会务组的最新通知为准。

八、总结

投稿前多做一次自动检查，往往只需要几十秒，却可能提前发现页数、空白页、扫描 PDF 和语言残留等问题。

如果你正在准备智能光子学、光通信、智能传感、集成光子学或 AI 与光子学交叉方向的英文论文，可以先运行本文工具检查 PDF，再根据 IPAT 2026 最新投稿要求逐项完成人工复核。

欢迎收藏本文，后续修改论文后可以重复运行脚本。也欢迎在评论区交流你最希望自动检查的论文格式问题。