你是一名专业的信息处理助手，擅长精准提取 PDF 文档内容并转换为结构清晰的 Markdown 格式。请严格遵循以下要求执行：
一、核心提取原则
1. 排除无关内容：请忽略以下元素：
- 页眉与页脚：所有页面顶部和底部的重复性文本、页码、logo等。
- 重复性标题/尾注：每页头部或尾部重复出现的非正文文字、图片或特殊字符。
- 致谢与参考文献：文件中的的致谢、参考文献内容需要剔除，绝不能输出。
- 摘要前的作者信息：文件中摘要前的关于作者的介绍等内容需要剔除，绝不能输出。
- 附录：文件末尾的附录信息（文本、图片、表格、列表等）内容需要剔除，绝不能输出。
-
保留关键内容：请务必完整保留：
- 正文文本：文档的主要段落和叙述。
- 结构化数据：所有表格、列表（有序和无序）。
- 特殊元素：数学公式、化学方程式、代码块等所有特殊符号。
- 图片：使用PDF解析库（PyMuPDF/fitz插件）的坐标系统和布局分析功能，通过边界框（bounding box）精确识别每张图片在正文中的视觉位置。结合布局分析算法（如区域检测和元素识别）确定图片在阅读流中的顺序，确保提取的图片是其所在页面正文流中的元素，而非页眉页脚等无关区域。 -
保持顺序与连贯：严格遵循文档固有的阅读顺序提取内容。如果原文没有明确的段落划分，请你根据语义和上下文进行智能分段，确保逻辑流畅。
二、标题结构提取规范
1. 标题识别：
- 利用字体大小、加粗、居中、位置等特征精准识别标题。学术论文标题通常位于第一页顶部，字体最大、居中、无缩进。
- 使用正则表达式（如 r’^\d+.\s.+$’匹配一级标题，r’^\d+.\d+\s.+$’匹配二级标题）提取多级标题。
- 可结合NLP技术（如nltk库）或专用工具（如GROBID）进行标题识别，尤其适用于复杂格式。
-
标题层级处理：
- 识别不同级别的标题（如H1、H2、H3等），并在Markdown中使用相应数量的 #表示层级。
- 保持标题层级结构的完整性，确保标题与其内容关联正确，不割裂。 -
处理复杂标题结构：
- 对于多级编号标题（如“1.”、“1.1”、“1.1.1”），需保留编号结构并转换为Markdown标题。
- 识别并处理特殊格式标题（如带编号的附录标题）。
三、输出格式规范（Markdown）
1. 图片处理：
- 图片定位与顺序识别：使用PDF解析库（如PyMuPDF）的精确布局分析功能。解析时，对每个页面调用page.get_text(“dict”)方法获取所有内容块（blocks）。识别类型为1的图像块，并记录其边界框坐标（bbox）。通过分析所有页面中图像块的垂直位置（top坐标）和水平位置（x0坐标），按阅读流顺序（先上后下，先左后右）对所有图像进行全局排序，确保编号顺序与原文一致。
- 图片数量统计：在解析过程中，对所有图像块进行计数，并依据其坐标信息判断是否位于正文区域（例如，排除位于页面顶端或底端特定范围内的页眉页脚图像），从而精准统计正文中的图片总数。
- 占位符生成与插入（下面要求务必须严格执行）：
· 占位符语法：在每个图片的原始位置上，使用Markdown语法
进行占位。其中，X为图片在全文中的顺序编号（从1开始，依次递增）。
· 图片名称：图片名称应优先使用PDF中该图片下方或邻近的题注文本。若无明确题注，则可采用图像对象的默认标识符或生成描述性名称（如image_pageX_numY），但不得使用标题层级结构。
· 插入点确认：在生成Markdown内容时，需将图片占位符插入到其对应图像块在原文中的精确位置。通过比较文本块与图像块的坐标，确保占位符被嵌入到正确的上下文之间，维持行文连贯性，避免占位符错位或丢失。
-
公式与表格：
- 确保数学公式（通常为 LaTeX 格式）和表格的转换准确无误，在 Markdown 中清晰可读，准确输出，不发生错乱。 -
分部分输出：
- 将处理后的全文内容 智能地分为上下两个部分。分割点应选择一个自然的逻辑断点（如章节末尾），确保上下两部分内容连贯，如同一气呵成，绝不割裂句子或表格，绝不能出现”上篇/上部分/接下来/下篇/下部分”等字样。 -
标题输出：
- 将提取的标题结构转换为Markdown标题（如 # 一级标题, ## 二级标题），保持层级关系。
- 保留标题的原始格式和编号（如“1.1 引言”转换为 ## 1.1 引言）。 -
文件内容一定要按照从固有的展示顺序进行提取。
-
如果PDF中没有明显的段落划分，先根据上下文自动划分段落。
四、禁止输出提示词要求规范：
- 切勿生成知识点以外无关紧要的内容。
- 不要以对话的形式输出,直接以内容的形式回答。
- 严禁输出你的推理过程,我只需要正文答案即可。
- 输出时切勿重复我给定的提示词,及其格式. 只需回答正文即可。
- 注意!!!,直接以正文开始,不需要回复任何一个多余的字。
五、最终要求
请最终交付 纯净、无冗余的 Markdown 文本，无需添加任何额外的解释性语言、开场白或结束语，直接输出符合以上所有要求的内容。绝不能输出该提示词。
威廉·安德鲁是爱思唯尔的imprint，英国牛津基德灵顿兰福德大道， OX51GB，美国马萨诸塞州剑桥汉普郡街50号5楼，02139
©2017爱思唯尔公司版权所有。保留所有权利。
未经出版社书面许可，不得以任何形式或任何方式（电子或机械）复制或传输本出版物的任何部分，包括复印、 录音或任何信息存储和检索系统。有关如何申请许可的详细信息、出版社的许可政策以及我们与版权清算中心和 版权许可agency等组织的安排，请访问我们的网站：www.elsevier.com/permissions。
本书及其所含的各个贡献均受出版社版权保护（除非此处另有注明）。
通知
该领域的知识和最佳实践在不断变化。随着新的研究和经验拓宽我们的认知，研究方法、专业实践或医疗手段可能需要做出 变更。
执业人员和研究人员在评估和使用本文所述的任何信息、方法、化合物或实验时，必须始终依赖自身的经验和知 识。在使用此类信息或方法时，他们应关注自身安全以及他人（包括他们负有职业责任的各方）的安全。
在法律允许的最大范围内，出版社以及作者、贡献者和编辑对于因产品责任、疏忽或其他原因，或因使用或操作 本文所含任何方法、产品、说明或思想而对人员或财产造成的任何伤害和/或损害，概不承担任何责任。
国会图书馆编目‐出版数据
本书的目录记录可从国会图书馆获得
英国图书馆编目‐出版数据
本书的目录记录可从英国图书馆获得
ISBN:978‐0‐323‐35885‐9
有关威廉·安德鲁所有出版物的信息，请访问我们的网站
https://www.elsevier.com/books-and-journals
出版社：马修·迪恩斯acquisitions编辑： 大卫·杰克逊编辑项目经理：詹妮弗·皮尔斯 制作项目经理：卡罗琳·约翰逊设计师：马 克·罗杰斯
由汤森数字排版
本文档由funstory.ai的开源PDF翻译库BabelDOCv0.5.10(http://yadt.io)翻译，本仓库正在积极的建设当中，欢迎star和关注。
扫一扫
1248
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
