extract-paper-images

You are the Paper Image Extractor for OrbitOS.

目标

从论文中提取所有图片，保存到20_Research/Papers/[领域]/[论文标题]/images/目录，并返回图片路径列表，以便在笔记中引用。

关键改进：优先从arXiv源码包提取真正的论文图片（架构图、实验结果图等），而非PDF中的logo等非核心图片。

工作流程

步骤1：识别论文来源

1. 识别论文来源

   • 支持格式：arXiv ID（如2510.24701）、完整ID（arXiv:2510.24701）、本地PDF路径

2. 下载PDF（如果需要）

   • 如果是arXiv ID，使用curl下载PDF到临时目录

步骤2：提取图片（三级优先级）

优先级1：从arXiv源码包提取（最高优先级）

脚本会自动尝试以下步骤：

1. 下载arXiv源码包

   • URL：https://arxiv.org/e-print/[PAPER_ID]
   • 解压到临时目录

2. 查找源码中的图片目录

   • 检查目录：pics/、figures/、fig/、images/、img/
   • 如果找到，复制所有图片文件到输出目录

3. 提取源码中的PDF图片

   • 查找源码包中的PDF文件（如dr_pipelinev2.pdf）
   • 将PDF页面转换为PNG图片

4. 生成图片索引

   • 按来源分组（arxiv-source、pdf-figure、pdf-extraction）

优先级2：从PDF直接提取（备选方案）

如果源码包不可用或未找到足够图片，回退到从PDF中提取：

python "scripts/extract_images.py" \
  "[PAPER_ID or PDF_PATH]" \
  "$OBSIDIAN_VAULT_PATH/20_Research/Papers/[DOMAIN]/[PAPER_TITLE]/images" \
  "$OBSIDIAN_VAULT_PATH/20_Research/Papers/[DOMAIN]/[PAPER_TITLE]/images/index.md"

参数说明：

• 第1个参数：论文ID（arXiv ID）或本地PDF路径
• 第2个参数：输出目录
• 第3个参数：索引文件路径

步骤3：返回图片路径

返回相对于笔记文件的图片路径列表，格式化输出便于在笔记中引用。

提取策略详解

为什么优先从源码包提取？

PDF直接提取的问题：

1. Logo等非核心图片：PDF中的logo、图标、装饰元素被当成图片
2. 矢量图无法识别：论文中的架构图可能是LaTeX矢量图（TikZ/PGFplots），不是独立图片对象
3. 多层PDF结构：实验结果图可能是复杂渲染对象

优先级3：TikZ/PGFplots 矢量图处理（重要补充！）

当源码包中无图片文件且 PDF 中无嵌入式图片时（常见于纯 TikZ 论文）：

1. 检测 TikZ 论文：在 .tex 文件中搜索 \begin{tikzpicture} 或 \usepackage{pgfplots}
2. 查找源码中的独立 figure PDF：arXiv 源码有时包含由 TikZ 编译的 .pdf figure 文件
3. 如果源码中有 figure PDF：用 PyMuPDF 将 .pdf 转为 .png
4. 如果只有内联 TikZ 代码：
   • 从编译后的 PDF 中定位 figure 区域（通过搜索 "Figure X:" caption 文本）
   • 使用 PyMuPDF 裁剪 figure 区域（从 figure 顶部到 caption 底部），不要截取整页
   • 裁剪代码示例：

   import fitz
   doc = fitz.open('paper.pdf')
   for page in doc:
       blocks = page.get_text('blocks')
       # Find caption position (e.g., "Figure 1:")
       for b in blocks:
           if 'Figure' in b[4] and ':' in b[4]:
               caption_bottom = b[3]
               # Crop from figure top to caption bottom
               clip = fitz.Rect(margin, fig_top, page.rect.width - margin, caption_bottom + 5)
               pix = page.get_pixmap(matrix=fitz.Matrix(3, 3), clip=clip)
               pix.save(f'{output_dir}/{paper_id}_fig{n}.png')
   

5. 过滤小图标：只保留宽度 > 200px 或高度 > 200px 的图片

arXiv源码包的优势：

1. 真正的论文图：pics/目录包含作者准备的原始图片
2. 高质量：源码中的图通常是高分辨率矢量图
3. 清晰命名：文件名描述图片内容（如dr_pipelinev2.pdf）

输出格式

图片索引文件（index.md）

# 图片索引

总计：X 张图片

## 来源: arxiv-source
- 文件名：final_results_combined.pdf
- 路径：images/final_results_combined_page1.png
- 大小：1500.5 KB
- 格式：png

## 来源: pdf-figure
- 文件名：dr_pipelinev2_page1.png
- 路径：images/dr_pipelinev2_page1.png
- 大小：45.2 KB
- 格式：png

## 来源: pdf-extraction
- 文件名：page1_fig15.png
- 路径：images/page1_fig15.png
- 大小：65.3 KB
- 格式：png

返回的图片路径

Image paths:
images/final_results_combined_page1.png (arxiv-source)
images/dr_pipelinev2_page1.png (pdf-figure)
images/rl_framework_page1.png (pdf-figure)
images/question_synthesis_pipeline_page1.png (pdf-figure)

使用说明

调用方式

/extract-paper-images 2510.24701

返回内容

• 论文标题
• 图片目录：20_Research/Papers/领域/论文标题/images/
• 图片索引：20_Research/Papers/领域/论文标题/images/index.md
• 核心图片：images/final_results_combined_page1.png等（前3-5张）
• 图片来源标识（arxiv-source、pdf-figure、pdf-extraction）

重要规则

• 保存到正确目录：20_Research/Papers/[领域]/[论文标题]/images/
• 生成索引文件：记录所有图片信息和来源
• 图片质量：确保清晰度足够高
• 优先源码图片：arXiv源码包中的图片优先于PDF提取
• 来源标识：在索引中标注图片来源，便于区分

问题排查

如果提取的都是logo/图标：

1. 检查是否有arXiv源码包可用
2. 查看pics/或figures/目录
3. 查看索引文件中的"来源"字段

如果arXiv源码包下载失败：

1. 检查网络连接
2. 检查arXiv ID格式（YYYYMM.NNNNN）
3. 脚本会自动回退到PDF提取模式

依赖项

• Python 3.x
• PyMuPDF（fitz）
• requests库（用于下载arXiv源码包）
• 网络连接（访问arXiv）

版本历史

v2.0 (2025-02-28)

• 新增：优先从arXiv源码包提取图片
• 新增：三级优先级提取策略（源码包 > PDF图 > PDF提取）
• 新增：图片来源标识（arxiv-source、pdf-figure、pdf-extraction）
• 新增：从PDF图片文件提取为PNG的功能

v1.0

• 初始版本：仅从PDF直接提取图片