arXiv 中文静态 HTML 网页生成技能#

目标#

将 arXiv 英文论文 HTML 实验版转换为本地可打开的中文静态 HTML 网页。保留论文标题、元数据、章节结构、公式文本、图片、图表、图标和 CSS 资源。中文正文可复用 arxiv-paper-resolver 的章节提取与中文 Markdown 生成流程。

触发场景#

在以下请求中使用本技能：

• 将 arXiv 英文论文 HTML 转为中文 HTML 网页。
• 将 arXiv 论文做成本地静态网页、离线网页或中文网页。
• 要求保留 arXiv HTML 中的图片、图表、图标、CSS 或版式资源。
• 已有 arxiv-paper-resolver 生成的中文 Markdown，希望进一步生成本地 index.html。

资源#

• scripts/arxiv_html_static_builder.py：下载 arXiv HTML、PDF、图片、图标、CSS 等本地资源，并把中文 Markdown 包装为静态 HTML。
• scripts/requirements.txt：脚本依赖。
• references/output_contract.md：输出目录、文件命名和质量检查约定。

工作流程#

Step 1：确认 arXiv ID#

若用户提供的是 arXiv URL 或裸 ID，直接使用。若只提供 PDF 路径或论文标题，先根据标题搜索 arXiv，确认 abs 页面与 ID。

Step 2：优先复用 arxiv-paper-resolver 生成中文 Markdown#

若当前目录已有 {arxiv_id}_中文文档.md，直接复用。

若没有中文 Markdown，先使用 arxiv-paper-resolver：

1. 运行其章节提取脚本，获得 {arxiv_id}_raw_sections/、 {arxiv_id}_metadata.json、 {arxiv_id}_section_structure.txt。
2. 读取原文章节，翻译为中文 Markdown。
3. 保持公式为 $...$，避免使用 \(...\) 或带反引号的公式定界符。
4. 去除参考文献引用标记和 References/Appendix 正文，除非用户明确要求保留。

Step 3：准备本地 HTML 资源#

安装依赖后运行：

bash

python3 -m pip install -r /Users/nineve/.codebuddy/skills/arxiv-html-cn-static/scripts/requirements.txt
python3 /Users/nineve/.codebuddy/skills/arxiv-html-cn-static/scripts/arxiv_html_static_builder.py prepare <arxiv_id_or_url> -o <output_parent_dir>

该步骤会：

• 拉取 arXiv abs 元数据。
• 获取 arXiv HTML 实验版。
• 下载 PDF。
• 下载并本地化 HTML 中的图片、图表、图标、CSS、CSS 中引用的资源。
• 生成本地化英文 HTML 副本。
• 提取图表清单，记录图表所属章节。

Step 4：构建中文静态 HTML#

使用已有中文 Markdown 构建网页：

bash

python3 /Users/nineve/.codebuddy/skills/arxiv-html-cn-static/scripts/arxiv_html_static_builder.py build <paper_dir> --md <arxiv_id>_中文文档.md

默认输出：

text

<paper_dir>/index.html

构建时将：

• 将中文 Markdown 转为静态 HTML。
• 将 arXiv HTML 中的 figure 与 table 节点作为完整 HTML 块插入，因此表格不会只剩 caption。
• 清理 arXiv 表格中的固定 height、 width、 transform 与 LaTeXML 缩放包裹，改用 .table-scroll 横向滚动容器，确保宽表格横向可滚、纵向完整展开。
• 优先按正文中出现的 Figure N / Table N / 图N / 表N 引用插入图表；若中文 Markdown 中没有显式引用，则按原文图表在该章节中的顺序分布到章节内部，而不是统一放在章节开头。
• 使用本地 CSS 样式生成适合阅读的中文论文网页。
• 保持所有图片和图表引用为本地相对路径。
• 默认引入 MathJax CDN 渲染 $...$、 $$...$$、 \(...\)、 \[...\] 公式；完全离线环境下可改为本地 MathJax/KaTeX 资源。

Step 5：质量检查#

完成后检查：

bash

grep -nE 'https?://arxiv.org|https?://static' <paper_dir>/index.html | head
find <paper_dir>/assets -type f | head

要求：

• index.html 能通过浏览器本地打开。
• 论文中的图片、图表、图标资源存在于 assets/。
• HTML 正文为中文。
• 公式保持 $...$ 文本形式，不改写 LaTeX 命令。
• 不依赖远程 arXiv 图片资源；若仍有远程链接，只允许作为论文链接、arXiv 链接或外部引用链接存在。

输出目录结构#

标准输出结构：

text

{output_parent_dir}/{paper-title-slug}/
├── index.html                         # 中文静态网页
├── {arxiv_id}.pdf                     # PDF
├── {arxiv_id}_original_local.html     # 本地化英文 HTML 副本
├── {arxiv_id}_static_metadata.json    # 静态网页元数据
├── {arxiv_id}_asset_manifest.json     # 资源下载清单
├── {arxiv_id}_figures.json            # 图表清单
├── {arxiv_id}_中文文档.md              # arxiv-paper-resolver 生成或复用的中文 Markdown
└── assets/                            # 本地图片、图标、CSS 等资源

注意事项#

• 保持 arxiv-paper-resolver 与本技能职责分离：前者负责章节抽取和中文正文生成，后者负责 HTML 资源本地化与静态网页构建。
• 对图表采用“按章节插入”的保守策略；若用户要求与原文完全同位插图，需要人工/LLM 根据原文 HTML 进一步调整图表位置。
• 不把外部 CDN 作为必要依赖，确保 index.html 尽量可离线阅读。
• 若 arXiv HTML 实验版不存在，报告无法生成 HTML 静态页，并建议退回 PDF/LaTeX 解析路线。