【文献copilot】调用文心一言api对论文逐段总结

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。

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。

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：

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

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

# 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)