分享几种论文写作神器，提高你的写作效率

关注

转载最新推荐文章于 2026-03-15 00:07:57 发布 978 阅读 AI 写同款· GEO 优化 ›

zotero-ocr:用于OCR的Zotero插件佐泰罗OCR 这个Zotero插件增加了对在Zotero中选择的PDF执行OCR的功能。它可以添加包括识别的文本，仅包含识别的文本的注释和HTML（HOCR）文件的新PDF。 Tesseract OCR用于文本识别本身。先决条件已安装Tesseract OCR 对于Windows，请参见对于Linux和Mac，请参见从poppler库下载并安装pdftoppm 安装要安装扩展，请执行以下操作：下载的XPI文件。在Zotero中，转到工具→附加组件，然后将.xpi拖到附加组件窗口中。可能在附加选项中调整Tesseract的路径。配置可以在“工具”→“ Zotero OCR首选项”下访问该配置：此外，这些选项另存为Zotero首选项变量，也可以通过“”（。构建和发布运行build.sh脚本，该脚本将创建一个新的.xpi文件。对于新版本，请运行脚立即下载

本人在写论文的时候，用到了很多工具，可用说这些工具可以大大提高写论文的效率，本文分享下我常用的论文神器。
（作者：黄海广）

本文介绍以下几种工具：

论文管理神器Zotero
OCR神器（公式识别等）
Latex工具
语法校对工具
论文绘图工具

论文管理神器Zotero

一、Zotero简介

Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件，如今已被广泛使用。此篇使用说明主要分享引用研究资源功能，其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。欢迎所有共同学习使用的朋友提供批评意见或补充使用经验。

下载地址：https://www.zotero.org/download/

ubuntu下安装zotero：

sudo apt-add-repository ppa:smathot/cogscinl 
# Say yes/press enter to accept any requests.
$ sudo apt-get update
# Wait for it to complete, then:
$ sudo apt-get install zotero-standalone

二、新建分类

步骤：我的文库→右键→新建分类→输入名称→鼠标右键我的文库→出现新建文件夹

三、英文文献信息导入

步骤（非常简单）：

在新建目录下→鼠标拖入英文文献→右键重新抓取PDF文件的元数据→获取文献基本信息

备注：一些时间久远的英文论文也不能直接抓取数据，具体信息抓取方法参照第四部分中文文献的信息导入。

四、中文文献信息导入

步骤（稍复杂）：

1. 在Text目录下→鼠标拖入中文文献

2. 在百度学术搜索文献→点击批量引用→导出到BibTex→下载

3. 用记事本打开下载好的.bib文件→复制全部内容

4. Zotero界面文件一栏→选择从剪贴板导入

5. 将PDF文件鼠标拖至刚导入文件成为其子文件→完成中文文献的信息抓取

五、插入文献

步骤：

1. Word中点击菜单栏中的“Zotero”工具栏→选择要引用的方式（默认选项没有的引用方式参见第六部分）

2. 鼠标光标置于要插入上角标处（即下图2处）→点击下图1处所示图标→2处出现红框内文字，3处出现Zotero快速格式化引文→点击快速格式化引文左边图标选择经典视图

3. 出现“添加/编辑引文”对话框→选择要引入的文献，点击OK

4. 下图1处出现上角标→光标置于参考文献3处→点击2处→3处引入参考文献成功

5. 其他文献可依次插入。Zotero有个特别强大的功能，如果中间一部分引文被删除，点击工具栏的Refresh，上角标以及参考文献会自动更新。

六、寻找非默认引文格式

步骤：

点击左上角Add/Edit
Citation工具→选择右下角管理样式→在 Zotero Style Repository对话框寻找想要的引文格式

七、使用坚果云同步文献

zotero只给了300m的空间，大概只能放80来篇文献的全文文件，如果文献较多就不能同步全文。注意：使用同步功能要先注册zotero账号。解决方法：使用坚果云：

坚果云官网:https://www.jianguoyun.com/

注意关闭手机验证，设置如图：

八、使用插件

Zotero还有不少插件，比较有名的是zotfile，Zotero DOl Manager，它们可以自动下载pdf，或者获取论文的DOI。

具体使用方法可以网上搜索获取。

OCR神器（公式识别等）

我发现了一个神奇的OCR工具：天若OCR，功能真的很好很强大。

免费版本可以识别图片文本，收费版本也不贵，59元一次性买个专业版，可以定义接口。

软件具有文本识别、翻译等功能，这些通用功能我就不展开说明了，我着重推荐两个功能：公式识别和表格识别。

公式识别

我之前推荐过公式的识别神器mathpix,真的很好用，但是免费的只有每个月50次，不够。

天若OCR可以设置mathpix的接口，mathpix接口一个月免费1000次识别，应该够了，注册的时候要绑定信用卡（注册过程要科学上网），识别效果：

原图片公式

识别后的公式，可以导出tex或者保存为word文件

表格识别

一般的OCR软件识别文字都问题不大，但是表格识别却是个问题，解决这个问题，这里推荐下腾讯优图的接口，目前每天200次识别免费。在天若OCR里配置好表格识别的接口为腾讯优图后，识别效果如下：


Period	#Node	#Edge	Diameter	#WCC	APL
Over one week	11653	92118	36	200	11
Over two weeks	9904	40772	73	737	24
Over four weeks	6900	14646	18	1433	4

原始表格图片

识别表格效果

识别后的表格，可以直接导入到word：

导入word效果

天若还可以对三线表添加网格后进行识别，非常方便。

在线的latex编辑和编译工具：overleaf

论文最终展现出来的就是一个PDF格式的文档。

当然可以使用word，但光排版这件事情，就能耗费你一半的精力。

正确的答案是，使用latex，它是一个专业的排版工具，按照latex的语法进行写作，执行编译就能够得到PDF文件。它的语法包含了如何排版，虽然相比word上手要慢，但在排版这件事情上，入门级别的latex语法，你要达到精通word的水平。

latex如何使用呢？当然，要安装编译器，再安装编辑器，本地一通配置，偶尔会遇到些问题，凭着强大的谷歌搜索，倒也不是什么难事。配置本地环境，不如直接使用在线编辑器。

www.overleaf.com

注册即用，免去本地latex环境安装的痛苦。
多人合作，共同编辑。
富文本编辑模式，比写latex源码舒服些。
随时可以完成在线编译，查看PDF。

按照overleaf的开始流程，有选择模板的过程，模板怎么选，还是要看投稿的期刊或者会议的要求。以KDD为例，在它的KDD 2019 Call for Research Papers页面上，给出了模板格式，看看能不能在overleaf上找到，即使没有，一会提供下载，自己上传到overleaf。

走过这一步，已经可以编译出模板PDF了，可以照猫画虎地写起来了。

grammarly：语法纠错神器

https://app.grammarly.com/

在这编辑文章的一句或一段话，语法出错了会有提示，低级的语法错误都能够避免。语法纠错

除了语法纠错之外，还有同意替换功能，我的塑料英语能想到的词汇都太过常见，不够精准（逼格不足），选中词就可以同义替换了。

同意替换

建议在word软件中安装grammarly插件，直接可用在word中进行语法校对和纠正。

论文绘图工具

本人在写机器学习相关论文的时候，很多图片是用matplotlib和seaborn画的，但是，我还有一个神器，Scikit-plot，通过这个神器，画出了更加高大上的机器学习图，本文对Scikit-plot做下简单介绍。

安装说明

安装Scikit-plot非常简单，直接用命令：

pip install scikit-plot

即可完成安装。

仓库地址：

https://github.com/reiinakano/scikit-plot

里面有使用说明和样例（py和ipynb格式）。

使用说明

简单举几个例子：

比如画出分类评级指标的ROC曲线的完整代码：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
nb = GaussianNB()
nb.fit(X_train, y_train)
predicted_probas = nb.predict_proba(X_test)
# The magic happens here
import matplotlib.pyplot as plt
import scikitplot as skplt
skplt.metrics.plot_roc(y_test, predicted_probas)
plt.show()

效果如图（相当高大上！）

图：ROC曲线

P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。首先解释一下精确率和召回率。

import matplotlib.pyplot as plt
from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_digits as load_data
import scikitplot as skplt
# Load dataset
X, y = load_data(return_X_y=True)
# Create classifier instance then fit
nb = GaussianNB()
nb.fit(X,y)
# Get predicted probabilities
y_probas = nb.predict_proba(X)
skplt.metrics.plot_precision_recall_curve(y, y_probas, cmap='nipy_spectral')
plt.show()

图：P-R曲线

混淆矩阵是分类的重要评价标准，下面代码是用随机森林对鸢尾花数据集进行分类，分类结果画一个归一化的混淆矩阵。

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_digits as load_data
from sklearn.model_selection import cross_val_predict
import matplotlib.pyplot as plt
import scikitplot as skplt
X, y = load_data(return_X_y=True)
# Create an instance of the RandomForestClassifier
classifier = RandomForestClassifier()
# Perform predictions
predictions = cross_val_predict(classifier, X, y)
plot = skplt.metrics.plot_confusion_matrix(y, predictions, normalize=True)
plt.show()