Paper2Excel

paper2excel 是一个用于批量读取论文 PDF、生成结构化总结并导出 Excel 的 Codex/Claude Code skill。

它适用于这样的场景：用户提供一个文件夹路径，目录中包含多篇可复制文本的 PDF 论文；skill 依次提取每篇论文内容，按固定字段生成精炼总结，最后将所有论文汇总保存到同一个 .xlsx 文件中。

功能介绍

• 批量扫描指定文件夹中的 PDF 文件
• 从 PDF 中提取论文文本内容
• 按固定字段生成结构化论文总结
• 将多篇论文汇总导出为单表 Excel
• 支持依赖检查与临时依赖安装

当前默认字段如下：

• title
• publish+time
• keywords
• 研究现状
• motivation
• insight
• method
• 实验结论
• limitation
• other

字段规则如下：

• title：英文标题
• publish+time：仅基于 PDF 内信息提取，优先 Venue Year
• keywords：3 个英文关键词，使用分号分隔
• 其余字段：中文精炼总结

默认长度约束如下：

• 研究现状：约 30 字
• motivation：约 30 字
• insight：约 30 字
• method：约 100 字
• 实验结论：约 40 字
• limitation：约 30 字
• other：约 40 字

项目结构

paper2excel/
├── SKILL.md
├── agents/
│   └── openai.yaml
└── scripts/
    └── paper2excel.py

说明：

• SKILL.md：定义 skill 的触发条件、字段规则和使用流程
• agents/openai.yaml：skill 的界面元信息
• scripts/paper2excel.py：提供依赖检查、依赖安装、PDF 提取和 Excel 写入能力

安装方法

1. 安装为 Codex skill

如果你希望 Codex 自动发现该 skill，建议将整个 paper2excel 文件夹放到：

~/.codex/skills/paper2excel

确保目录中至少包含：

• SKILL.md
• agents/openai.yaml
• scripts/paper2excel.py

使用方法

在 Codex 中使用

如果你已经把 paper2excel 安装到：

~/.codex/skills/paper2excel

那么后续在 Codex 中不需要手动反复解释流程，只需要直接提出类似请求即可触发该 skill。

例如：

请使用 paper2excel 处理 /Users/yourname/papers

或者：

给你一个文件夹路径，请批量总结其中的 PDF 论文并导出 Excel：/Users/yourname/papers

也可以显式写成：

使用 $paper2excel 处理 /Users/yourname/papers

Codex 典型执行流程如下：

1. 识别这是一个“批量读取 PDF 论文并导出 Excel”的请求
2. 触发 paper2excel skill
3. 检查依赖是否齐全
4. 提取目标文件夹中的 PDF 文本
5. 按 skill 中定义的字段生成结构化总结
6. 写出单表 .xlsx 文件

如果 skill 已经安装，但依赖还没有准备好，建议先在 Codex 中让它执行：

请先检查 paper2excel 的依赖，如果缺失就安装到 /tmp/paper2excel_deps，然后处理 /Users/yourname/papers

如果依赖已经准备好了，后续通常只需要做两件事：

1. 给出要处理的文件夹路径
2. 指定输出 Excel 的位置，或者让 Codex自行决定输出路径

例如：

使用 $paper2excel 处理 /Users/yourname/papers，并把结果导出到 /Users/yourname/paper_summaries.xlsx

如果你希望修改字段、长度要求或输出格式，先更新 SKILL.md 和 scripts/paper2excel.py，再继续在 Codex 中使用即可。

如何更改字段设置

如果你想调整输出字段、字段顺序或长度要求，主要修改以下两个位置。

1. 修改 SKILL.md

文件位置：

SKILL.md

这里定义了：

• skill 的触发条件
• 输出字段
• 每个字段的含义
• 各字段的长度约束
• 缺失值处理规则

如果你想新增字段，例如增加 dataset 或 future work，需要在 SKILL.md 的以下部分同步修改：

• ## Output Schema
• ## Field Rules
• ## Summarization Rules

2. 修改 scripts/paper2excel.py

文件位置：

scripts/paper2excel.py

重点关注这个常量：

OUTPUT_COLUMNS = [
    "title",
    "publish+time",
    "keywords",
    "研究现状",
    "motivation",
    "insight",
    "method",
    "实验结论",
    "limitation",
    "other",
]

如果你改了字段，需要同步修改：

• OUTPUT_COLUMNS
• widths 字典中的列宽设置

例如新增字段 dataset，则至少需要：

1. 在 OUTPUT_COLUMNS 中加入 dataset
2. 在 widths 中加入对应列宽
3. 在 SKILL.md 中补充该字段定义和总结要求
4. 在生成结构化 JSON 时输出该字段

输出规则

• 仅基于 PDF 内部信息总结，不依赖外部检索
• title、publish+time、keywords 使用英文
• 其他字段使用中文
• 缺失信息尽量留空，不编造
• 默认只处理目标文件夹当前层级，不递归子目录
• 当前适用于可复制文本的 PDF，不包含 OCR 流程

依赖说明

必要依赖

• pypdf：提取 PDF 文本
• openpyxl：生成 .xlsx
• 允许skill时，会自动安装

当前限制

• 当前只负责 PDF 文本提取和 Excel 写入
• 结构化总结 JSON 仍需要由 Codex 按 skill 规则生成
• 不递归子目录
• 不处理扫描版 PDF
• 不自动做 OCR
• 不自动联网补全会议或年份信息

后续可扩展方向

• 增加从提取文本到结构化总结 JSON 的全自动脚本
• 支持递归扫描子目录
• 增加 OCR 兜底
• 增加额外字段，如 dataset、baseline、future work
• 增加多 sheet 输出或失败日志