PDF 专业词汇提取器

基于 Flask + NLTK 的 PDF 术语提取工具，支持上传 PDF 或导入 Excel，自动去重合并、翻译、导出，并维护本地熟词库。

主要功能

• 提取专业词汇：从 PDF 文本中提取高频术语和短语（词性过滤 + n-gram）
• 多文件去重合并：多次上传后按词条合并，频次自动累加
• 中文翻译：优先批量在线翻译，失败时自动降级到内置词典
• Excel 导入：可导入之前导出的 .xlsx 词表并继续合并
• 熟词库过滤：可将已掌握词加入熟词库，后续提取自动过滤
• 表格交互：搜索、排序、双击编辑、Delete 删除、撤销
• 多格式导出：支持 CSV、Excel (.xlsx)、Anki (.txt)
• 语境查看：点击词条可查看原文句子示例

技术栈

• 后端：Flask, Flask-CORS
• PDF 解析：pdfplumber
• NLP：NLTK
• Excel：openpyxl
• 翻译：translators（Bing + fallback）
• 前端：原生 JavaScript + HTML + CSS

运行环境

• Python 3.9+
• Windows/macOS/Linux

快速开始

# 1) 安装依赖（自动创建虚拟环境）
uv sync

# 2) 启动服务
uv run pdf
# 或者直接运行
# uv run python app.py

启动后访问：http://127.0.0.1:5000

使用说明

1. 上传 PDF：提取词汇并自动翻译。
2. 上传 Excel(.xlsx)：导入历史词表并和当前结果去重合并。
3. 在表格中可搜索、排序、双击编辑。
4. 点击右侧按钮可将词条标记为“熟词”。
5. 按需导出为 CSV / Excel / Anki。

API 概览

POST /upload

上传 PDF 并返回提取结果。

• 请求：multipart/form-data
• 参数：file（.pdf）

示例响应：

{
  "filename": "paper.pdf",
  "total_extracted": 42,
  "vocabulary": [
    {
      "term": "neural network",
      "pos": "phrase",
      "frequency": 8,
      "context": ["..."] ,
      "translation": "神经网络"
    }
  ]
}

POST /import_excel

导入 Excel 词表并返回解析结果。

• 请求：multipart/form-data
• 参数：file（.xlsx）

支持表头别名：

• 词汇 / term
• 词性 / pos
• 中文释义 / translation
• 出现频次 / 频次 / frequency
• 示例原句 / context

POST /export

导出当前词表。

• 请求：application/json

{
  "format": "csv",
  "vocabulary": []
}

• format 可选：csv / excel / anki

熟词库接口

• GET /known_words：获取熟词列表
• POST /known_words：批量新增熟词
• DELETE /known_words：批量移除熟词

请求示例：

{
  "words": ["efficient", "oil"]
}

项目结构

pdf/
├── app.py                # Flask 应用与 API
├── extractor.py          # 术语提取与语境索引
├── translator.py         # 批量翻译与词典回退
├── main.py               # 入口点 (uv run pdf)
├── known_words.json      # 熟词库（本地持久化）
├── pyproject.toml        # 项目配置与依赖（UV 管理）
├── uv.lock               # 锁定文件
├── templates/
│   └── index.html
└── static/
    ├── app.js
    └── style.css

配置说明

• 最大上传大小：app.py 中 MAX_CONTENT_LENGTH（默认 50MB）
• 提取参数：extractor.py 中 extract_vocabulary(min_freq=2, max_terms=200)
• 自定义停用词：extractor.py 中 EXTRA_STOP_WORDS

注意事项

• 扫描版 PDF（纯图片）通常无法直接提取文本，需要先 OCR。
• 首次运行会下载 NLTK 数据。
• 在线翻译不可用时会自动使用内置词典回退。

License

MIT