科研文献工具箱 ChenSheg/knowledge-from-literature-and-bilibili

research-skills · 科研工具箱

一组面向科研工作流的实用 CLI 工具 / Agent Skills：文献检索 · 文献下载（含正式刊模式）· PDF 解析 · B站视频转写。
零依赖或轻依赖，开箱即用；既可命令行直接跑，也可被 Claude Code / Codex 等 Agent 当作 Skill 调用。

English abstract

功能一览

| Skill | 作用 | 核心依赖 | 入口脚本 |
| literature-search | 多源文献检索（PubMed / arXiv / Europe PMC / Crossref / Semantic Scholar），跨源去重，导出 CSV + JSON | 无（纯标准库） | scripts/search.py |
| literature-download | 按 DOI / arXiv / PMID / PMCID 下载 PDF；默认走开放获取多源回退，--formal 模式可经机构访问取付费墙正式刊 | 无（纯标准库） | scripts/download.py |
| literature-parse | PDF → Markdown / 文本 / JSON，自动提取标题、作者、摘要、章节；扫描件推荐 MinerU | PyMuPDF（已装）/ 可选 pymupdf4llm、MinerU | scripts/parse.py |
| bilibili-transcript | B站视频取字幕（WBI 签名）/ 官方 AI 文稿（conclusion/get，需 SESSDATA）/ whisper 兜底，导出 TXT + SRT | 无 / 可选 yt-dlp + faster-whisper + PyAV | scripts/bili_transcript.py |

目录结构

research-skills/
├── README.md # 本文件 ├── ENV.md # 本机环境约定（个人备忘，可删/可忽略） ├── LICENSE # MIT ├── requirements-optional.txt# 可选依赖（仅 whisper / pymupdf4llm 等增强功能需要） ├── literature-search/ │ ├── SKILL.md │ └── scripts/search.py ├── literature-download/ │ ├── SKILL.md │ └── scripts/download.py ├── literature-parse/ │ ├── SKILL.md │ └── scripts/parse.py └── bilibili-transcript/ ├── SKILL.md └── scripts/bili_transcript.py

环境要求

- Python 3.8+（检索 / 下载 / B站取字幕三条主路径均为纯标准库，无需 pip install）。
- 可选增强依赖（仅特定功能需要），见 requirements-optional.txt：
- yt-dlp + faster-whisper + av(PyAV)：B站 whisper 兜底转写（PyAV 解码音频，无需 ffmpeg.exe）。
- pymupdf / pymupdf4llm：文献解析的高精度 Markdown 后端。
- mineru[core]：扫描件 / 复杂公式表格的 SOTA 解析（独立工具，脚本会引导）。

本仓库作者自用环境的固定约定（解释器路径、conda 环境、VPN 等）记录在 ENV.md，属个人备忘，开源使用时可忽略或按自己的环境改写。

快速开始

0) （可选）装增强依赖
pip install -r requirements-optional.txt

PY=python # 或你自己的 python3 解释器

1) 检索 -> CSV/JSON $PY literature-search/scripts/search.py "berberine multidrug resistance" --limit 50 --out ./lit

2) 下载 PDF（默认开放获取；付费墙用 --formal 走机构访问） $PY literature-download/scripts/download.py --csv ./lit.csv --email you@example.com --out ./pdfs
$PY literature-download/scripts/download.py --id 10.1038/s41586-026-10689-z --formal \
--cookie-file ./cookies.txt --out ./pdfs

3) 解析 PDF -> Markdown + 元数据 $PY literature-parse/scripts/parse.py ./pdfs --out ./parsed

4) B站视频转写（带 SESSDATA 拿官方 AI 全文） $PY bilibili-transcript/scripts/bili_transcript.py BV1kKNg62EgT --sessdata "" --out ./bili

各 Skill 详解

每个子目录都有独立的 SKILL.md，含完整参数、输出格式、依赖与提示。下面仅给要点，详细以各 SKILL.md 为准。

literature-search
跨 5 个数据源一键检索，按 DOI/PMID/标题去重，导出 .csv（UTF-8-BOM，Excel 直接打开）与 .json。支持 --sources、--limit、--year-from。

literature-download
- 开放获取模式（默认）：对每篇依次尝试 arXiv → Unpaywall → Europe PMC OA → PubMed Central，命中即停；付费墙标记为 [fail]。
- 正式刊模式（--formal）：解析 DOI 到出版社落地页，自动发现 PDF 链接，用你的机构会话 Cookie 下载付费墙 PDF。需先连机构 VPN + 在浏览器登录（如 ZJU 的 aTrust VPN + CARSI/ZJU SSO），再把该域名 Cookie 通过 --cookies "a=b; c=d" 或 --cookie-file cookies.txt（Netscape 格式）传入。未登录时自动回退到 OA 链。

literature-parse
自动择优后端：pymupdf4llm（版式感知 Markdown）→ fitz（纯文本 + 启发式标题）。每篇输出 .md/.txt 与 .meta.json（标题/作者/页数/摘要/章节/字符数）。扫描件 / 复杂公式推荐 MinerU。

bilibili-transcript
三条路径自动衔接（命中即止）：① WBI 签名的官方/AI CC 字幕；② conclusion/get 官方 AI 文稿（传 --sessdata 即可零模型下载拿到全文，首选）；③ yt-dlp + faster-whisper 兜底。输出 TXT + SRT。

正式刊模式与机构访问（Formal-journal mode）

很多顶刊（Nature / NMI / Elsevier / Wiley / ACS …）是付费墙。本工具默认只取合法免费的 OA 版本。若你拥有机构订阅：

1. 连接校园 VPN（如 ZJU 的深信服 aTrust 客户端），并通过 CARSI / 学校 SSO 在浏览器登录出版社；
2. 用浏览器扩展（如 Get cookies.txt LOCALLY）导出该出版社域名的 Cookie（Netscape 格式）或复制 Cookie 字符串；
3. 运行 download.py --id --formal --cookie-file cookies.txt。

脚本会自动解析 DOI → 出版社落地页 → 发现 PDF 链接 → 带 Cookie 下载；取回的是登录墙 HTML 时会提示你未登录并回退 OA。仅下载你有权访问的 PDF，遵守出版社条款。

在 Agent / Codex 中使用

本仓库的每个子目录都是自包含的一个 Skill：SKILL.md 含 YAML frontmatter（name / description / version / license）+ 正文用法，脚本在 scripts/ 下、零/轻依赖、可直接运行。

- Claude / CodeBuddy 类：将本仓库放入 skills 目录（如 ~/.workbuddy/skills/ 或项目 .workbuddy/skills/），Agent 会自动读取 SKILL.md 并按其中的命令调用脚本。
- Codex / 通用 Coding Agent：直接让 Agent 阅读对应 SKILL.md 与脚本头部 docstring 即可理解用法；所有命令均为 python /scripts/.py [参数] 形式，无需额外配置。
- 每个 SKILL.md 的 description 字段已用英文/中文写明「何时使用」，便于 Agent 检索路由。

许可证

MIT。文献检索/下载请遵守各数据源与出版社的使用条款，仅用于合法的研究与学习用途。

research-skills 是一组用于研究工作流的小型 CLI 工具 / agent 技能集合：文献检索、PDF 下载（含通过机构访问获取付费墙 PDF 的正式刊模式）、 PDF 解析，以及 Bilibili 视频转录。 大多数路径为纯 Python 标准库（无需 pip install）。每个子文件夹都是一个自包含的技能，包含 SKILL.md（YAML frontmatter + 用法）以及 scripts/ 下可运行的脚本，因此它们既可用于命令行，也可作为 Claude Code / Codex 等 agent 的技能使用。

亮点：
- literature-search：检索 PubMed/arXiv/Europe PMC/Crossref/Semantic Scholar，去重，导出 CSV+JSON。
- literature-download：按 DOI/arXiv/PMID/PMCID 的 OA 回退链；--formal 模式使用你的机构会话 Cookie（需 VPN + SSO）获取付费墙出版社 PDF。
- literature-parse：PDF → Markdown/文本/JSON，并提取摘要与章节（pymupdf4llm/fitz；扫描件用 MinerU）。
- bilibili-transcript：Bilibili 视频 → TXT/SRT，通过 CC 字幕、官方 AI 转录 API（conclusion/get，需要 SESSDATA），或 yt-dlp + faster-whisper 兜底。

Licensed under MIT.