企业官网建设流程全解析

科研党福音！开源免费 AI 双语 PDF 翻译神器来了

还在为阅读英文文献而头疼吗？面对动辄几十页的 PDF 论文，逐字逐句查词典不仅效率低下，还容易打断思路。传统的翻译工具要么格式错乱，要么收费昂贵，要么无法保留原文排版。今天，我将为你带来一套完整的解决方案——基于开源 AI 模型，从零搭建一个免费、高效、支持双语对照的 PDF 翻译工具。无论你是计算机专业的学生，还是其他领域的科研工作者，都能通过本文，亲手构建一个属于自己的“科研利器”。

本文将详细拆解整个开发流程，涵盖从环境搭建、核心原理、代码实现到部署优化的全过程。你将学到如何利用最新的开源大语言模型（LLM）处理 PDF 文档，实现精准的段落级翻译与排版保留。文章包含大量可直接复制的代码和配置，并会深入探讨其中的技术细节与避坑指南。

1. 背景与核心概念

在深入代码之前，我们有必要厘清几个核心概念，理解我们即将构建的工具是如何工作的。

1.1 PDF 翻译的挑战PDF（Portable Document Format）作为一种“数字纸张”，其核心优势在于格式固定、跨平台显示一致。但这恰恰给自动化处理带来了挑战：

• 内容提取困难：PDF 内部结构复杂，包含文本流、图像、矢量图形、字体嵌入等信息。简单复制粘贴常导致格式丢失、乱码或顺序错乱。
• 布局保持：学术文献通常包含分栏、图表、公式、参考文献等复杂排版，理想的翻译工具需要能识别这些结构，并在翻译后尽可能保持原貌。
• 语义连贯性：PDF 中的文本是割裂的（按页面、按区块），直接抽取可能导致语义断层。翻译时需要结合上下文，尤其是跨页的段落。

1.2 AI 翻译 vs. 传统机器翻译传统机器翻译（如早期的谷歌翻译 API）主要基于统计或早期的神经网络，在句子级翻译上表现尚可，但对于专业术语、长难句和特定领域文献，往往力不从心。 以DeepSeek为代表的新一代开源大语言模型，在理解上下文、处理专业术语和生成流畅语言方面有了质的飞跃。它们不仅能翻译，还能根据指令进行“意译”、“术语统一”等复杂操作，更适合学术文献翻译。

1.3 工具的核心工作流程我们构建的工具将遵循一个清晰的管道（Pipeline）：

1. PDF 解析：使用专门的库（如PyMuPDF/fitz或pdfplumber）精准提取文本及其位置、样式信息。
2. 文本预处理与分块：将提取的文本按段落、章节进行智能分块，确保每个块在语义上是完整的，并且大小适合 AI 模型处理。
3. AI 翻译：调用本地或云端部署的大语言模型 API，发送翻译指令和文本块，获取翻译结果。我们将重点介绍如何利用开源模型。
4. 双语合成与排版：将原文和译文按照一定的排版规则（如左右对照、段内对照）重新组合，并生成新的 PDF 或 HTML 等格式。

2. 环境准备与版本说明

工欲善其事，必先利其器。以下是构建此工具所需的完整开发环境。建议使用 Python 作为开发语言，因其在数据处理和 AI 生态上有丰富库支持。

2.1 基础环境

• 操作系统：Windows 10/11, macOS, 或 Linux (如 Ubuntu 20.04+) 。本文示例在 Ubuntu 22.04 和 Windows 11 WSL2 下测试通过。
• Python：版本 3.8 - 3.11。推荐使用 3.9 或 3.10，以获得最佳的库兼容性。可使用python --version检查。
• 包管理工具：pip(Python 自带) 或conda(如果你使用 Anaconda 环境)。

2.2 核心 Python 库我们将使用pip安装以下库。请创建一个新的虚拟环境以避免依赖冲突。

# 创建并激活虚拟环境 (可选但推荐) python -m venv pdf_translate_env source pdf_translate_env/bin/activate # Linux/macOS # pdf_translate_env\Scripts\activate # Windows # 安装核心依赖 pip install pymupdf==1.23.8 # 强大的PDF解析库，也称 fitz pip install pdfplumber==0.10.3 # 另一个优秀的PDF文本提取库，用于互补 pip install openai==1.12.0 # 使用 OpenAI 兼容的 API 调用各类模型 pip install pillow==10.1.0 # 图像处理，用于处理PDF中的图片 pip install reportlab==4.0.9 # 用于生成新的PDF文件 pip install chardet==5.2.0 # 检测文本编码 pip install tqdm==4.66.1 # 显示进度条

版本说明：以上版本为撰写本文时的稳定版本。实际开发时，你可以根据情况安装最新版本，但需注意PyMuPDF(fitz) 的 API 有时会有变动。

2.3 AI 模型选择与准备这是工具的核心。我们有多种选择：

• 方案A：使用在线大模型 API（如 DeepSeek）：方便快捷，无需本地算力，但需要网络和 API Key（可能有费用）。
• 方案B：部署本地开源模型：完全免费、离线、数据隐私有保障，但对硬件（GPU内存）有要求。

本文将以方案A（DeepSeek API）为主要示例，因为它最易于复现。同时，我会在最佳实践章节简要介绍方案B（使用Ollama或vLLM部署本地模型）的路径。

获取 DeepSeek API Key：

1. 访问 DeepSeek 开放平台官网（可通过搜索引擎查找其官方网站）。
2. 注册账号并登录。
3. 在控制台中创建 API Key，并妥善保存。注意查看其定价策略，通常有新用户额度。

3. 核心原理与模块拆解

我们的工具将被拆分为几个独立的模块，遵循高内聚、低耦合的设计原则，便于维护和扩展。

3.1 PDF 解析模块 (pdf_parser.py)此模块负责“读懂”PDF。PyMuPDF不仅能提取文本，还能获取每个字符的坐标、字体、大小等信息，这对于后期还原排版至关重要。

# 文件：pdf_parser.py import fitz # PyMuPDF from typing import List, Dict, Any import chardet class PDFParser: def __init__(self, pdf_path: str): """ 初始化PDF解析器 :param pdf_path: PDF文件路径 """ self.pdf_path = pdf_path self.doc = fitz.open(pdf_path) self.pages_text = [] # 存储每页解析后的结构化文本 def extract_text_by_page(self) -> List[List[Dict]]: """ 按页提取文本，并保留区块和样式信息。 返回一个列表，每个元素代表一页，页内是多个文本块字典。 """ for page_num in range(len(self.doc)): page = self.doc[page_num] # 获取文本块，包含坐标和内容 blocks = page.get_text("dict")["blocks"] text_blocks = [] for block in blocks: if block['type'] == 0: # 类型0为文本块 text = "" for line in block["lines"]: for span in line["spans"]: text += span["text"] text += "\n" # 行间换行 if text.strip(): # 忽略空文本块 text_blocks.append({ "text": text.strip(), "bbox": block["bbox"], # 边界框 [x0, y0, x1, y1] "page": page_num }) self.pages_text.append(text_blocks) return self.pages_text def extract_plain_text(self) -> str: """提取纯文本（丢失布局信息），用于简单预览或摘要""" full_text = "" for page in self.doc: full_text += page.get_text() return full_text def close(self): """关闭文档，释放资源""" self.doc.close() # 示例用法 if __name__ == "__main__": parser = PDFParser("sample.pdf") structured_text = parser.extract_text_by_page() print(f"共 {len(structured_text)} 页") print(f"第一页有 {len(structured_text[0])} 个文本块") for i, block in enumerate(structured_text[0][:2]): # 打印前两个块 print(f"块 {i}: {block['text'][:100]}...") # 打印前100字符 parser.close()

3.2 文本分块与预处理模块 (text_chunker.py)直接从 PDF 提取的文本块可能过小（一个单词）或过大（整个段落被错误合并）。我们需要智能分块，使其成为适合模型处理的、语义完整的单元。

# 文件：text_chunker.py import re from typing import List, Dict class TextChunker: def __init__(self, max_chunk_size: int = 1500, overlap: int = 100): """ 初始化文本分块器 :param max_chunk_size: 每个块的最大字符数（粗略估计） :param overlap: 块与块之间的重叠字符数，防止上下文断裂 """ self.max_chunk_size = max_chunk_size self.overlap = overlap def smart_chunk(self, structured_pages: List[List[Dict]]) -> List[Dict]: """ 智能分块。输入是解析器输出的结构化页面数据。 输出是包含‘text’和‘metadata’的块列表。 """ chunks = [] current_chunk = "" current_meta = {"source_blocks": []} # 记录该块由哪些原始块组成 for page_idx, page_blocks in enumerate(structured_pages): for block_idx, block in enumerate(page_blocks): block_text = block["text"] # 简单的基于句子结束符的分割（可增强为基于NLP的分句） sentences = re.split(r'(?<=[.!?])\s+', block_text) for sentence in sentences: if not sentence.strip(): continue # 如果当前块加上新句子会超限，且当前块不为空，则保存当前块 if len(current_chunk) + len(sentence) > self.max_chunk_size and current_chunk: chunks.append({ "text": current_chunk, "metadata": current_meta.copy() }) # 创建新块，利用重叠机制保留部分上文 overlap_text = current_chunk[-self.overlap:] if self.overlap else "" current_chunk = overlap_text + sentence current_meta = {"source_blocks": [block]} else: current_chunk += (" " + sentence) if current_chunk else sentence current_meta["source_blocks"].append(block) # 添加最后一个块 if current_chunk: chunks.append({ "text": current_chunk, "metadata": current_meta }) return chunks def chunk_by_fixed_size(self, plain_text: str) -> List[str]: """简单的固定大小分块（不推荐用于精细翻译，可用于摘要）""" return [plain_text[i:i+self.max_chunk_size] for i in range(0, len(plain_text), self.max_chunk_size - self.overlap)] # 示例用法 if __name__ == "__main__": # 假设已有解析好的数据 from pdf_parser import PDFParser parser = PDFParser("sample.pdf") data = parser.extract_text_by_page() parser.close() chunker = TextChunker(max_chunk_size=1000) chunks = chunker.smart_chunk(data) print(f"将文档分成了 {len(chunks)} 个语义块") for i, chunk in enumerate(chunks[:2]): print(f"\n--- 块 {i} ---") print(chunk["text"][:200])

3.3 AI 翻译模块 (translator.py)这是与 AI 模型交互的核心。我们将使用openai这个通用库，它兼容众多提供 OpenAI 格式 API 的模型服务，包括 DeepSeek。

# 文件：translator.py import os from openai import OpenAI from typing import List, Optional import time from tqdm import tqdm class AITranslator: def __init__(self, api_key: str, base_url: str = "https://api.deepseek.com", model: str = "deepseek-chat"): """ 初始化AI翻译器 :param api_key: DeepSeek API Key :param base_url: API端点地址 :param model: 模型名称 """ self.client = OpenAI(api_key=api_key, base_url=base_url) self.model = model # 定义系统提示词，约束模型行为 self.system_prompt = """你是一位专业的学术翻译助手。请将用户提供的英文学术文本翻译成中文。 要求： 1. 翻译准确，尤其是专业术语。 2. 语言流畅，符合中文学术表达习惯。 3. 保留原文中的专有名词（如人名、地名、机构名）、数学公式、代码片段，不翻译。 4. 输出仅包含翻译后的中文文本，不要添加任何解释、注释或额外的格式。 """ def translate_text(self, text: str, max_retries: int = 3) -> Optional[str]: """ 翻译单段文本 :param text: 待翻译的英文文本 :param max_retries: 最大重试次数 :return: 翻译后的中文文本，失败则返回None """ for attempt in range(max_retries): try: response = self.client.chat.completions.create( model=self.model, messages=[ {"role": "system", "content": self.system_prompt}, {"role": "user", "content": f"请翻译以下文本：\n\n{text}"} ], temperature=0.1, # 低温度，使输出更确定、更忠实 max_tokens=2000, # 根据输入文本长度调整 ) translated = response.choices[0].message.content.strip() return translated except Exception as e: print(f"翻译请求失败 (尝试 {attempt + 1}/{max_retries}): {e}") time.sleep(2 ** attempt) # 指数退避 print(f"文本翻译失败: {text[:100]}...") return None def translate_batch(self, texts: List[str], delay: float = 0.5) -> List[Optional[str]]: """ 批量翻译文本列表，并添加延迟以避免触发速率限制 :param texts: 待翻译的文本列表 :param delay: 每次请求之间的延迟（秒） :return: 翻译结果列表，与输入一一对应 """ results = [] for text in tqdm(texts, desc="翻译进度"): result = self.translate_text(text) results.append(result) time.sleep(delay) # 控制请求频率 return results # 注意：API Key 应从环境变量或配置文件中读取，不要硬编码在代码里！ # 示例用法（需配置环境变量 DEEPSEEK_API_KEY） if __name__ == "__main__": api_key = os.getenv("DEEPSEEK_API_KEY") if not api_key: print("请设置环境变量 DEEPSEEK_API_KEY") exit(1) translator = AITranslator(api_key=api_key) test_text = "Large Language Models (LLMs) have revolutionized the field of natural language processing by demonstrating remarkable capabilities in understanding and generating human-like text." translated = translator.translate_text(test_text) print(f"原文: {test_text}") print(f"译文: {translated}")

4. 完整实战：构建命令行翻译工具

现在，我们将上述模块组合起来，创建一个完整的、可以运行的命令行工具。

4.1 项目结构首先，创建如下项目目录结构：

pdf_translator_tool/ ├── src/ │ ├── __init__.py │ ├── pdf_parser.py │ ├── text_chunker.py │ ├── translator.py │ └── pdf_builder.py (新增：用于生成双语PDF) ├── config.yaml (配置文件) ├── requirements.txt ├── main.py (主程序入口) └── samples/ (存放示例PDF)

4.2 新增：双语PDF生成模块 (pdf_builder.py)翻译完成后，我们需要将原文和译文并排或交错排列，生成新的PDF。

# 文件：src/pdf_builder.py from reportlab.lib.pagesizes import A4, letter from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle from reportlab.lib.units import inch, mm from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak from reportlab.lib.enums import TA_LEFT, TA_RIGHT, TA_JUSTIFY from reportlab.pdfbase import pdfmetrics from reportlab.pdfbase.ttfonts import TTFont import os class BilingualPDFBuilder: def __init__(self, output_path: str, title: str = "Translated Document"): """ 初始化PDF构建器 :param output_path: 输出PDF路径 :param title: 文档标题 """ self.output_path = output_path self.title = title # 注册中文字体（必需，否则中文显示为方块） try: # 假设字体文件在项目根目录的 fonts/ 下 font_path = "fonts/simhei.ttf" # 黑体，需自行准备或使用系统字体 pdfmetrics.registerFont(TTFont('SimHei', font_path)) self.font_name = 'SimHei' except: print("警告：未找到中文字体，将使用默认字体，可能无法显示中文。") self.font_name = 'Helvetica' # 定义样式 self.styles = getSampleStyleSheet() self._create_custom_styles() def _create_custom_styles(self): """创建自定义段落样式""" # 原文样式（左对齐，灰色） self.styles.add(ParagraphStyle( name='Original', parent=self.styles['Normal'], fontName='Helvetica', fontSize=10, textColor='#333333', alignment=TA_JUSTIFY, leftIndent=0, rightIndent=0, spaceAfter=6 )) # 译文样式（左对齐，蓝色，使用中文字体） self.styles.add(ParagraphStyle( name='Translated', parent=self.styles['Normal'], fontName=self.font_name, fontSize=10, textColor='#0066CC', alignment=TA_JUSTIFY, leftIndent=0, rightIndent=0, spaceAfter=12 )) # 标题样式 self.styles.add(ParagraphStyle( name='CustomTitle', parent=self.styles['Title'], fontName=self.font_name, fontSize=16, spaceAfter=30 )) def build(self, chunks: List[Dict], translations: List[str]): """ 构建并保存双语PDF :param chunks: 分块后的原文数据（列表字典） :param translations: 对应的翻译结果列表 """ if len(chunks) != len(translations): raise ValueError("原文块数与翻译结果数不匹配") doc = SimpleDocTemplate( self.output_path, pagesize=A4, rightMargin=72, leftMargin=72, topMargin=72, bottomMargin=72 ) story = [] # 添加标题 story.append(Paragraph(self.title, self.styles['CustomTitle'])) story.append(Spacer(1, 0.25*inch)) # 添加内容 for i, (chunk, trans) in enumerate(zip(chunks, translations)): if trans is None: trans = "[翻译失败]" # 添加原文 original_text = chunk.get('text', '') # 简单的HTML转义和换行处理 original_para = Paragraph(f"<b>[原文]</b><br/>{original_text.replace(chr(10), '<br/>')}", self.styles['Original']) story.append(original_para) # 添加译文 translated_para = Paragraph(f"<b>[译文]</b><br/>{trans.replace(chr(10), '<br/>')}", self.styles['Translated']) story.append(translated_para) # 在块之间添加分隔线（使用空格模拟） story.append(Spacer(1, 0.1*inch)) story.append(Paragraph("<hr/>", self.styles['Normal'])) story.append(Spacer(1, 0.1*inch)) # 每翻译5个块后检查是否需分页（可根据需要调整） if (i + 1) % 5 == 0: story.append(PageBreak()) # 生成PDF doc.build(story) print(f"双语PDF已生成: {self.output_path}") # 示例用法将在主程序中展示

4.3 配置文件 (config.yaml)将可配置项集中管理。

# 文件：config.yaml model: provider: "deepseek" # 可选: deepseek, openai, local api_base: "https://api.deepseek.com" model_name: "deepseek-chat" # 本地模型配置 (当provider为local时生效) local_model_path: "" local_api_base: "http://localhost:11434" # 例如 Ollama translation: system_prompt: > 你是一位专业的学术翻译助手。请将用户提供的英文学术文本翻译成中文。 要求： 1. 翻译准确，尤其是专业术语。 2. 语言流畅，符合中文学术表达习惯。 3. 保留原文中的专有名词（如人名、地名、机构名）、数学公式、代码片段，不翻译。 4. 输出仅包含翻译后的中文文本，不要添加任何解释、注释或额外的格式。 temperature: 0.1 max_tokens: 2000 chunking: max_chunk_size: 1200 # 每个文本块的最大字符数 overlap_size: 50 # 块间重叠字符数 output: format: "pdf" # 可选: pdf, html, txt bilingual_layout: "side_by_side" # 可选: side_by_side, interleaved font_path: "fonts/simhei.ttf" # 中文字体路径

4.4 主程序入口 (main.py)这是整合所有模块的脚本。

# 文件：main.py #!/usr/bin/env python3 import os import sys import yaml import argparse from pathlib import Path from src.pdf_parser import PDFParser from src.text_chunker import TextChunker from src.translator import AITranslator from src.pdf_builder import BilingualPDFBuilder def load_config(config_path="config.yaml"): """加载配置文件""" with open(config_path, 'r', encoding='utf-8') as f: config = yaml.safe_load(f) return config def main(): parser = argparse.ArgumentParser(description="AI双语PDF翻译工具") parser.add_argument("input_pdf", help="输入的PDF文件路径") parser.add_argument("-o", "--output", help="输出文件路径（默认：输入文件名_translated.pdf）") parser.add_argument("-c", "--config", default="config.yaml", help="配置文件路径") parser.add_argument("--api-key", help="DeepSeek API Key (优先级高于环境变量)") args = parser.parse_args() # 1. 加载配置 config = load_config(args.config) print("配置加载成功。") # 2. 确定API Key api_key = args.api_key or os.getenv("DEEPSEEK_API_KEY") if not api_key: print("错误：未提供API Key。请通过 --api-key 参数或设置 DEEPSEEK_API_KEY 环境变量提供。") sys.exit(1) # 3. 确定输出路径 input_path = Path(args.input_pdf) if args.output: output_path = Path(args.output) else: output_path = input_path.parent / f"{input_path.stem}_translated.pdf" print(f"输入文件: {input_path}") print(f"输出文件: {output_path}") # 4. 解析PDF print("步骤1/4: 正在解析PDF...") pdf_parser = PDFParser(str(input_path)) try: structured_data = pdf_parser.extract_text_by_page() print(f" 解析完成，共 {len(structured_data)} 页。") except Exception as e: print(f" PDF解析失败: {e}") sys.exit(1) finally: pdf_parser.close() # 5. 文本分块 print("步骤2/4: 正在对文本进行智能分块...") chunker_config = config['chunking'] chunker = TextChunker( max_chunk_size=chunker_config['max_chunk_size'], overlap=chunker_config['overlap_size'] ) chunks = chunker.smart_chunk(structured_data) print(f" 分块完成，共 {len(chunks)} 个语义块。") if len(chunks) == 0: print(" 错误：未提取到有效文本。PDF可能为扫描件或受保护。") sys.exit(1) # 6. AI翻译 print("步骤3/4: 正在调用AI模型进行翻译...") model_config = config['model'] translator = AITranslator( api_key=api_key, base_url=model_config['api_base'], model=model_config['model_name'] ) # 提取纯文本用于翻译 texts_to_translate = [chunk['text'] for chunk in chunks] translations = translator.translate_batch(texts_to_translate, delay=0.3) success_count = sum(1 for t in translations if t is not None) print(f" 翻译完成，成功 {success_count}/{len(translations)} 块。") # 7. 生成双语PDF print("步骤4/4: 正在生成双语PDF...") builder = BilingualPDFBuilder(str(output_path), title=f"翻译文档: {input_path.name}") try: builder.build(chunks, translations) print("✅ 全部流程完成！") except Exception as e: print(f" PDF生成失败: {e}") sys.exit(1) if __name__ == "__main__": main()

4.5 运行与验证

1. 准备环境：在项目根目录下，安装依赖。

   pip install -r requirements.txt

   requirements.txt内容：

   pymupdf==1.23.8 pdfplumber==0.10.3 openai==1.12.0 pillow==10.1.0 reportlab==4.0.9 chardet==5.2.0 tqdm==4.66.1 pyyaml==6.0.1

2. 准备字体：在项目根目录创建fonts/文件夹，放入中文字体文件（如simhei.ttf），并在config.yaml中配置正确路径。

3. 设置API Key（Linux/macOS）：

   export DEEPSEEK_API_KEY='你的-api-key-here'

   （Windows PowerShell）：

   $env:DEEPSEEK_API_KEY="你的-api-key-here"

4. 运行工具：将一份英文PDF（如sample.pdf）放入项目根目录。

   python main.py sample.pdf

   程序将依次执行解析、分块、翻译、构建四个步骤，并在终端显示进度。最终生成sample_translated.pdf。

5. 验证结果：打开生成的PDF，你应该能看到原文和译文以清晰的段落对照形式呈现。

5. 常见问题与排查思路

在实际使用中，你可能会遇到以下问题。这里提供系统的排查思路。

6. 最佳实践与工程建议

将一个小工具工程化，才能稳定、高效地用于实际科研工作。

6.1 配置与密钥管理

• 永远不要硬编码密钥：如示例所示，通过环境变量或外部配置文件管理 API Key。
• 使用配置文件：将模型参数、分块大小、输出格式等所有可调参数放入config.yaml，便于管理和版本控制。
• 环境隔离：为开发、测试、生产环境使用不同的配置文件和 API Key。

6.2 性能与稳定性优化

• 异步请求：对于大批量翻译，使用asyncio和aiohttp进行异步API调用，可大幅提升速度。但需注意服务端的速率限制。
• 断点续传：将翻译进度（原文块与译文结果）定期保存到文件（如 JSON）。程序崩溃后可以从断点恢复，避免重复消费API。
• 缓存机制：对已翻译的相同或相似文本块进行哈希缓存（如使用hashlib.md5），下次直接使用缓存结果，节省费用和时间。

6.3 处理复杂PDF

• 扫描件OCR：集成pytesseract和pdf2image库，先将PDF页面转为图片，再进行OCR识别。

  # 简化的OCR集成思路 from pdf2image import convert_from_path import pytesseract def ocr_pdf(pdf_path): images = convert_from_path(pdf_path) text = "" for img in images: text += pytesseract.image_to_string(img, lang='eng+chi_sim') # 中英文识别 return text

• 保留公式与图表：PyMuPDF可以提取图片 (page.get_images())。对于公式，可尝试集成pix2tex等工具进行 LaTeX 识别，但这属于高级功能。

6.4 本地模型部署（完全离线方案）如果你有足够的GPU资源（通常需要8GB以上显存），部署本地模型是最自由、最隐私的方案。

• 方案一：使用 Ollama：Ollama 简化了本地大模型的运行。
  1. 安装 Ollama。
  2. 拉取一个适合翻译的模型，如qwen2.5:7b或llama3.2。

     ollama pull qwen2.5:7b

  3. 运行模型服务。

     ollama serve

  4. 修改translator.py中的base_url为"http://localhost:11434"，model为"qwen2.5:7b"，并移除API Key。
• 方案二：使用vLLM或text-generation-webui：这些框架提供更强大的模型管理和 OpenAI 兼容的 API 端点，适合同时服务多个模型或需要更细粒度控制的情况。

6.5 扩展输出格式除了PDF，你还可以轻松扩展支持其他格式：

• HTML：使用Jinja2模板生成左右分栏的HTML网页，交互性更强。
• Markdown：输出为.md文件，便于在笔记软件（如 Obsidian、Typora）中编辑和查看。
• Word：使用python-docx库生成.docx文件。

6.6 安全与合规

• 隐私考虑：使用在线API时，你的文献内容会被发送到服务商。如果涉及高度敏感或未公开的研究，请务必使用本地模型部署方案。
• 版权与合理使用：本工具旨在辅助个人学习与研究。请尊重原文档的版权，仅用于符合“合理使用”原则的场景，切勿用于大规模商业性文档翻译。

通过本文的步骤，你不仅获得了一个可用的工具，更掌握了一套处理“文档解析-文本处理-AI集成-结果生成”通用问题的工程方法。你可以在此基础上，继续优化分块算法、尝试不同的提示词工程、增加对更多文件格式（如 Word, PPT）的支持，甚至构建一个带有图形界面的桌面应用。技术的乐趣在于创造，希望这个开源项目能成为你科研路上的得力助手。