name: genek-extract-figures

description: 从学术论文 PDF 中提取高质量 Figure 图片。优先从出版商网站下载原始图，备选 pdftoppm 整页转图+裁剪。支持 Springer Nature、Elsevier、Wiley、PLOS 等主流出版商。当用户提及"提取论文图片"、"下载论文 figure"、"论文插图"、"extract figures"时使用此技能。

学术论文图片提取

工作流程

1. 从论文 PDF 中识别 DOI 和 Figure 数量
   │
2. 判断出版商 → 选择提取方式
   ├── 已知出版商 URL 模板 → 方法一：直接下载（推荐）
   ├── 未知出版商 → 方法二：浏览器访问论文网页版，手动定位图片 URL
   └── 无法访问网页版 → 方法三：pdftoppm 整页转图 + 裁剪
   │
3. 输出到 papers/{Author}{Year}/figures/ 目录，命名 fig1.png ~ figN.png
4. 删除中间文件，验证文件大小和完整性

方法优先级

优先级	方法	质量	适用场景
1	出版商网站下载	最佳，纯图表	已发表论文，出版商 URL 可推断
2	浏览器访问网页版	最佳	未知出版商，但论文有网页版
3	`pdftoppm` + 裁剪	需后处理	无法访问网页版（预印本、内部文档等）
4	`pdfimages`	碎片化，不推荐	仅作最后手段

方法一：出版商网站下载（推荐）

第一步：识别出版商

从论文 PDF 中提取 DOI（通常在首页页脚或页眉），根据 DOI 前缀判断出版商：

DOI 前缀	出版商	URL 模板可用
`10.1038/`	Springer Nature	✅
`10.1186/`	BMC (Springer)	✅
`10.1007/`	Springer	✅
`10.1016/`	Elsevier	⚠️ 需从网页解析
`10.1002/`	Wiley	⚠️ 需从网页解析
`10.1371/`	PLOS	✅
`10.3390/`	MDPI	✅
`10.1093/`	Oxford Univ Press	⚠️ 需从网页解析

第二步：构造 URL 并下载

Springer Nature / BMC 系列（Nature, BMC Biology, Genome Biology 等）：

https://media.springernature.com/full/springer-static/image/art%3A{DOI_ENCODED}/MediaObjects/{JOURNAL_ID}_{YEAR}_{ARTICLE_ID}_Fig{N}_HTML.png

DOI 解析规则（10.1186/s12915-022-01301-7 为例）：

JOURNAL_ID = 12915（/s 后到首个 - 之间的数字）
YEAR = 2022
ARTICLE_ID = 1301（去掉末尾修订号 -7）

下载脚本（替换前5个变量为目标论文参数）：

#!/bin/bash
AUTHOR_YEAR="Li2022"                # ← 替换：第一作者姓氏+年份
DOI="10.1186/s12915-022-01301-7"    # ← 替换
JOURNAL_ID="12915"                  # ← 替换
YEAR="2022"                         # ← 替换
ARTICLE_ID="1301"                   # ← 替换
FIG_COUNT=6                         # ← 替换为实际 Figure 数量

OUT="papers/${AUTHOR_YEAR}/figures"
DOI_ENCODED=$(echo "$DOI" | sed 's|/|%2F|g; s|:|%3A|g')
mkdir -p "$OUT"
for i in $(seq 1 $FIG_COUNT); do
  url="https://media.springernature.com/full/springer-static/image/art%3A${DOI_ENCODED}/MediaObjects/${JOURNAL_ID}_${YEAR}_${ARTICLE_ID}_Fig${i}_HTML.png"
  curl -sL -o "${OUT}/fig${i}.png" "$url"
  size=$(wc -c < "${OUT}/fig${i}.png" 2>/dev/null || echo 0)
  if [ "$size" -gt 10000 ]; then
    echo "fig${i}.png: OK (${size} bytes)"
  else
    echo "fig${i}.png: FAILED (${size} bytes) - URL 可能不正确"
    rm -f "${OUT}/fig${i}.png"
  fi
done

其他出版商 URL 模板详见 → references/publishers.md

方法二：浏览器访问网页版

URL 模板未知或下载失败时：

用浏览器打开 https://doi.org/{DOI} 跳转到论文网页版
在文章中找到 Figure，点击 "Full size image" / "Download" / "High resolution"
用开发者工具（F12 → Network）获取图片真实 URL
用 curl -sL -o figures/figN.png "URL" 逐张下载
发现新的 URL 规律时，补充到 references/publishers.md

方法三：PDF 整页转图（备选）

前置条件：brew install poppler（macOS）或 apt install poppler-utils（Linux）

pdftoppm -png -r 300 paper.pdf figures/page

转换后人工确认 Figure 对应的页码，然后重命名：

mv figures/page-03.png figures/fig1.png
mv figures/page-05.png figures/fig2.png
# ...按实际页码调整
rm figures/page-*.png

裁剪（精度差，尽量避免）

from PIL import Image
img = Image.open("figures/fig1.png")
# (left, upper, right, lower) — 需逐张手动确定坐标
cropped = img.crop((35, 210, 2445, 2815))
cropped.save("figures/fig1.png")

已知问题：页眉位置因期刊不同而变化；图注与正文分界不清晰；耗时且效果不稳定。

方法四：pdfimages（不推荐）

pdfimages -png paper.pdf figures/img

学术 Figure 通常由多个子面板（A, B, C...）+ 向量图形混合存储，pdfimages 只能提取嵌入位图，结果碎片化。

输出目录规范

每篇论文以 papers/{Author}{Year}/ 为根目录，PDF 和提取图片均放在该目录下：

papers/
├── Li2022/
│   ├── paper.pdf
│   └── figures/
│       ├── fig1.png
│       └── fig2.png
├── Zhang2023/
│   ├── paper.pdf
│   └── figures/
│       ├── fig1.png
│       └── fig2.png
└── Wang2024a/              ← 同姓同年加 a/b 后缀
    ├── paper.pdf
    └── figures/
        └── fig1.png

命名规则：

目录名取第一作者姓氏（首字母大写）+ 发表年份，如 Li2022
同姓同年冲突时追加小写字母：Wang2024a、Wang2024b
从论文 PDF 首页提取作者和年份信息

文件命名

主图：fig1.png ~ fig{N}.png
补充图：sfig1.png ~ sfig{N}.png
删除所有中间文件（page-*.png、tmp-*.png、img-*.png）

验证清单

每张图片 > 10KB（空文件说明 URL 错误）
图片数量与论文 Figure 数一致
图片内容是纯图表（无页眉页脚、无正文）
命名连续且与论文编号对应
多论文时各子目录命名正确（作者姓氏+年份）

SKILL.md 6.1 KB Постоянная ссылка История Исходник