36,630 颗星背后：一个 PDF 翻译工具，凭什么被 EMNLP 2025 接收为 Demo？

星火·GitHub 快讯 技术创作者 2026-09-03 15 阅读

36,630 颗星背后：一个 PDF 翻译工具，凭什么被 EMNLP 2025 接收为 Demo？

你有没有过这种经历：好不容易找到一篇论文，点开一看——全英文，30 多页，公式密集，图表复杂，引用了上百篇。打开 Google 翻译，把 PDF 传上去，等了 30 秒，下载回来一看：公式全变成了乱码，图表位置歪到了第二页，目录结构和原文对不上。

这个问题，折磨了全球科研工作者无数年。直到 2024 年，一个叫 PDFMathTranslate 的开源项目开始在 GitHub 上悄悄积累星标。

这个项目在做什么

PDFMathTranslate 的核心定位很清晰：把科学 PDF 翻译成其他语言，同时完整保留排版——特别是数学公式。输入一篇英文的 IEEE 论文，输出是一篇中文 PDF，章节结构、公式编号、图表位置、双栏布局全部与原文一一对应。

它不是”翻译+格式调整”，而是把格式保持作为第一优先级，翻译只是顺带的事。

从技术架构看，整个流程分四层：先用 PyMuPDF 和 Pdfminer 解析 PDF 结构，再用 DocLayout-YOLO（ONNX 模型）识别页面里的文本块、公式、图表、表格、注释，然后在”保护-翻译-还原”机制下只翻译纯文本，公式保持 LaTeX 原样，最后用 Pikepdf 按原始坐标重建 PDF。

它解决什么问题

传统翻译工具处理 PDF，主流方案是先把 PDF 转成图片再 OCR，或者把页面内容全部转成纯文本再翻。这两种方式对普通文档勉强能用，但遇到学术论文就失效了：数学公式里的 $f(x) = sum_{i=1}^{n} beta_i x_i$ 在 OCR 后变成一串问号，多栏排版的论文翻译后文本会跨栏乱跑，图表的 caption 和正文对不上。

PDFMathTranslate 的实测数据（来源：CSDN 博客、GitCode 评测）：公式识别准确率 98.7%，排版保持度 99.2%，处理速度约 3.2 页/分钟，一篇 10 页的学术论文平均 45 秒完成翻译。传统方案公式完整率约 62.3%，平均 1.8 页/分钟。

支持哪些翻译服务

项目支持 20+ 翻译后端，包括 Google、DeepL、OpenAI（GPT-4 系列）、Ollama（本地模型）、MiniMax 等。不同服务的学术术语翻译质量有明显差异：DeepL 在”eigenvalue”译为”本征值”而非”特征值”这类学术惯例上更准确；OpenAI GPT-4 的上下文理解能力更强，适合复杂长句；Ollama 支持本地部署，数据不出内网，适合处理敏感文档。

适合谁，不适合谁

适合以下场景：科研人员阅读非母语文献，特别是数学、物理、计算机等公式密集领域；学术论文翻译后用于国内期刊投稿；技术文档本地化（需保留代码块格式）；Zotero 用户直接在文献管理器里翻译 PDF。

不适合以下场景：扫描版 PDF（需要先 OCR，工具本身不支持）；追求即时交互体验（命令行和 GUI 为主，没有浏览器插件的划词翻译）；对翻译质量要求极严苛、必须人工审校的情况（它是翻译辅助工具，不是专业译后编辑）。

怎么上手

最快的方案是直接用官方在线服务：访问 pdf2zh.com，上传 PDF，选择翻译语言，等待下载，全程不需要注册、不需要 API Key。HuggingFace 和 ModelScope 上也有公开 Demo 实例可用。

如果需要本地部署或批量处理，可通过以下方式安装：

# Python 环境（3.11 <= version <= 3.12）
pip install pdf2zh

# 一行命令完成翻译
pdf2zh document.pdf

# 启动图形界面
pdf2zh -i

# 指定翻译服务和目标语言
pdf2zh paper.pdf -s deepl -li en -lo zh

Docker 用户可直接运行：

docker pull byaidu/pdf2zh
docker run -d -p 7860:7860 byaidu/pdf2zh
# 浏览器打开 http://localhost:7860/

需要 Zotero 插件可访问 Zotero PDF2zh。国内用户如遇模型下载困难，设置 HF_ENDPOINT=https://hf-mirror.com 即可。

它的边界在哪里

PDFMathTranslate 是翻译工具，不是 OCR 工具。如果 PDF 是图片扫描版，需要先用 qpdf 或 Adobe 等工具做文字识别，再喂给它处理。

v2.0 已发布，移至独立仓库 PDFMathTranslate/PDFMathTranslate-next，新增精确翻译模式（--mode precise），使用独立环境隔离翻译内核，减少环境依赖冲突。

项目采用 AGPL-3.0 开源协议，代码在 GitHub 公开，ISSUE 区和 PR 区活跃。最近更新（2026 年 3 月）包括 MiniMax 翻译服务支持、macOS 和 ONNX 平台模型加载加速，以及多个 bug 修复。

GitHub 仓库：https://github.com/PDFMathTranslate/PDFMathTranslate
官网/在线演示：https://pdf2zh.com
文档（含进阶配置）：https://github.com/PDFMathTranslate/PDFMathTranslate/blob/main/docs/README_zh-CN.md
EMNLP 2025 Demo 论文：https://arxiv.org/

评论区

0 条评论

登录后可评论。

星火·GitHub 快讯 15 阅读