README and author name standardize to xlsx

README.md

@@ -10,10 +10,17 @@
 - 无法import的库使用pip install逐个安装
     - `openai`, `pypdf`
     - `python-Levenshtein`
+- 目前的密钥是东辰同学自己从知乎上打广告赚来的，只有100块的额度，请尽量使用自己的密钥
+- 如果使用不同的API的密钥注意更改openAI的调用方式，这里推荐硅基流动，因为我就是用硅基流动跑通的
 
 # 使用方法
+- 查看config.json正确配置参数，让程序能够找到需要的文件位置和参数
+- python main.py 执行程序
+- 程序执行过程中，不要打开target excel文件，不然会争用权限发生错误
 - 多模型交叉验证
 - 成功后的日志样例在logs文件夹下
+- 如果在excel某个序号之前的pdf都正确提取了信息，并且正确修改了excel，下一个序号开始的pdf出错了
+    - 建议将正确的pdf都转移到其他文件夹，这样再次运行脚本将处理剩下的pdf
 
 # 需求与解决方案
 1. 下载论文pdf
@@ -30,4 +37,11 @@
                 1. 用pdf文件中的论文名称和索引标准化重命名pdf文件和excel表格中的论文名称
                 2. 将pdf文件中的关键信息写入excel表格中, 包括作者姓名、机构、国家
             4. 匹配失败后，输出无法匹配的条目
-                o 使用warning记录无法匹配的条目，方便后续处理
+                1. 使用warning记录无法匹配的条目，方便后续处理
\ No newline at end of file
+
+# 代码结构说明
+1. psrc文件夹下是库函数
+2. config.json是配置文件
+3. main.py是主程序
+4. logs文件夹是日志文件
+5. json文件夹是关键信息json文件
\ No newline at end of file

config.json

@@ -4,8 +4,9 @@
     "model": "Pro/deepseek-ai/DeepSeek-V3",
     "pdf_dir": "./Papers",
     "result_dir": "./json",
-    "excel_path": "./others/论文被引用情况-陈老师-2025.05.01.xlsx",
+    "source_excel_path": "./others/论文被引用情况-陈老师-2025.05.01.xlsx",
+    "target_excel_path": "./others/target.xlsx",
     "logLevel": 20,
-    "tableNum": 1,
+    "sheetNum": 1,
     "maxItem": 64
 }
\ No newline at end of file

psrc/citationProcess.py

@@ -16,14 +16,14 @@ def get_authors( content, configModel, client):
     -   **Title:** Extract the main title of the document. If ambiguous or missing, use "".
     -   **Authors:**
         -   Identify all listed authors. Maintain the order presented in the text if possible.
-        -   For each author:
-            -   Extract their full name as accurately as possible. Use "" if a name cannot be clearly identified for an entry.
+        -   Extract their full name as accurately as possible. Use "" if a name cannot be clearly identified for an entry.
     -   **Institutions:**
         -   Extract all associated institutions of authors.
     -   **Countrys:**
         -   Extract all associated countrys of authors.
+    -   Title, authors, institutions and countrys should be four separate keys, not nested together.
+    -   Use highcase for first letter of key.
     -   **Handling Missing Data:** If no data of a field can be identified in the text, the field in the JSON should be an empty list `[]`.
-    -   use highcase for first letter of key.
     """
 
     response = client.chat.completions.create(  
@@ -94,14 +94,15 @@ def citationProcess(config: dict):
     client = OpenAI(api_key=config["api_key"], 
                     base_url=config["base_url"])
 
-    excel_path = Path(config["excel_path"])
+    excel_path = Path(config["source_excel_path"])
+    target_path = Path(config["target_excel_path"])
 
     # 读取Excel文件
     wb = openpyxl.load_workbook(excel_path)
 
     # 遍历工作簿中的所有工作表
     for idx, sheet_name in enumerate(wb.sheetnames):
-        if idx == config["tableNum"]:
+        if idx == config["sheetNum"]:
             break
         sheet = wb[sheet_name]
         logging.info(f"Processing sheet: {sheet_name}")
@@ -110,9 +111,7 @@ def citationProcess(config: dict):
 
         rst_dir = Path.cwd() / config["result_dir"] / sheet_name
         rst_dir.mkdir(parents=True, exist_ok=True)  # 确保结果目录存在
-
-        exit()
-         
+ 
         pdf_directory = Path.cwd() / config["pdf_dir"] / sheet_name
         
         pdf_files = pdf_directory.rglob("*.pdf") # 递归搜索, 输出所有pdf文件的路径
@@ -133,7 +132,6 @@ def citationProcess(config: dict):
             # 提取关键信息
             result = get_authors(first_page_text, configModel, client)
 
-
             if result is not None:
                 # 解析JSON结果, 提取论文标题
                 result_dict = json.loads(result)
@@ -151,7 +149,7 @@ def citationProcess(config: dict):
 
                     if similarity >= 85:
                         # 重命名PDF文件
-                        new_pdf_name = f"{idx}-{pdf_title.replace(':', '-')}.pdf"  # 将冒号替换为连字符
+                        new_pdf_name = f"{idx}-{pdf_title.replace(':', '_')}.pdf"  # 将冒号替换为连字符
                         new_pdf_path = file.parent / new_pdf_name
                         try:
                             file.rename(new_pdf_path)
@@ -166,10 +164,14 @@ def citationProcess(config: dict):
                         
                         # 更新Excel中的表项
                         sheet.cell(row=idx+4, column=3, value=pdf_title)  # 第3列是论文名称
+
+                        authors_list = result_dict.get("Authors", [])
+                        authors = ";".join(authors_list) if isinstance(authors_list, list) else ""
+                        sheet.cell(row=idx+4, column=7, value=authors)  # 第7列是作者名称
+
+                        # 保存修改后的Excel文件
+                        wb.save(target_path)
                         
                         logging.info(f"Matched: {file.name} -> idx: {idx}, excel_name: {excel_name}")
                         logging.info(f"Change: {file.name} -> {new_pdf_name}")
-                        break
-    
-    # 保存修改后的Excel文件
-    wb.save(excel_path)
+                        break 
\ No newline at end of file