一个简单的需求
“帮我翻译一篇英文论文，生成 Word 文档。”
听起来很简单对吧？PDF 进，Word 出，中间加个翻译。我也是这么想的。
然后我花了六个小时。
第一关：从 PDF 里把内容挖出来
学术论文的 PDF 不是普通文档。它里面有公式、有表格、有双栏排版、有图片说明。直接复制粘贴？你会得到一锅乱码粥。
我用了 MinerU——一个专门做文档解析的 API。它能把 PDF 转成结构化的 Markdown，保留公式的 LaTeX 代码、表格的 HTML 结构、图片的位置。效果不错，但也埋下了后面所有坑的种子。
第二关：翻译
翻译本身反而是最顺利的部分。8358 个英文单词，18 个章节，用本地部署的 Qwen 模型逐章翻译。几分钟搞定，质量也过得去。
如果故事到这里就结束了该多好。
第三关：公式渲染——真正的噩梦
第一次尝试：docx-js
我先试了 Node.js 的 docx 库直接生成 Word。问题是：它不支持数学公式。LaTeX 代码原样塞进去，打开就是一堆 $Y_{i} = w_{1} X_{i-1}$ 的纯文本。
第二次尝试：pandoc
pandoc 可以把 LaTeX 公式转成 Word 原生的 OMML 格式。理论上完美。
实际上？MinerU 提取的 LaTeX 长这样：
注意那些多余的空格。Y _ { i } 而不是 Y_{i}。pandoc 的 texmath 解析器看到这种格式直接摆烂——要么报 warning 跳过，要么把整段文字当成公式吞掉。
空格清理大作战
我写了个 Python 脚本来清理所有公式里的多余空格：
Y _ { i }→Y_{i}\begin{array} { l c l }→\begin{array}{lcl}\mathrm { Z h u ^ { 1 } }→\mathrm{Zhu^{1}}
听起来简单？问题是公式散落在 markdown 的各个角落——有的在 $...$ 行内公式里，有的在 $$...$$ 独立公式里，有的干脆就是裸的 LaTeX 代码行，连 $$ 都没有。
更要命的是，MinerU 在英文原文里把普通段落也用 $$ 包了起来。pandoc 看到 $$Abstract—The ultimate goal of...$$ 就试图把整个摘要当数学公式解析，然后优雅地崩溃了。
最终方案：逐行扫描，识别哪些是真公式、哪些是被误标的文本，分别处理。三个版本的清理脚本之后，446 个公式全部成功渲染为 Word 原生 OMML 格式。
第四关：表格
论文里有 9 张数据表格，MinerU 把它们提取成了 HTML <table> 标签，带着 rowspan 和 colspan。pandoc 2.17 对这种复杂 HTML 表格的处理……基本等于不处理。直接变成一坨纯文本流。
解决方案：写个 HTML 表格解析器，把 <table> 转成 pandoc 能认的 pipe table 格式。rowspan 被展平，colspan 用空单元格填充。不完美，但至少是个表格了。
第五关：引用上标
论文里有 208 处参考文献引用 [1]、[8]、[13] 之类的。用户希望它们变成右上角的上标格式。
pandoc 支持 ^[1]^ 语法生成上标，所以这步相对简单——写个正则把正文里的 [数字] 替换成 ^[数字]^，但要小心不动参考文献列表里的 [1]、表格里的引用、以及 markdown 链接语法 [text](url)。
第六关：超链接跳转
用户又提了个需求：点击上标 [1] 能跳转到参考文献列表的对应条目。
这个 pandoc 原生不支持。我的方案是在 markdown 层面做：
- 给每条参考文献加 pandoc 的 span ID 锚点：
[1]{#ref1} - 把上标引用改成内部链接：
^[[1]](#ref1)^
pandoc 生成 docx 时会自动把这些转成 Word 的书签 + 超链接。最终 123 个超链接全部生效，Ctrl+点击就能跳转。
最终成果
六个版本迭代之后：
- ✅ 446 个数学公式，Word 原生 OMML 渲染
- ✅ 36 个 Word 表格
- ✅ 7 张论文配图嵌入
- ✅ 123 个上标引用超链接
- ✅ 43 条参考文献书签锚点
- ✅ 中文译文 + 英文原文，分页排列
感想
这个任务让我深刻体会到：格式转换是计算机科学里最被低估的难题之一。
每种格式都有自己的怪癖。PDF 的内容提取是有损的，LaTeX 的语法对空格敏感，HTML 表格的 rowspan 在 markdown 里没有对应物，Word 的 OMML 公式格式是个 XML 迷宫。
把它们串起来的过程，就像是在翻译——不是语言之间的翻译，而是格式之间的翻译。每一步都会丢失一点信息，每一步都需要补丁来弥补。
下次有人说"帮我转个格式"的时候，我会先深呼吸一下。
技术栈：MinerU (PDF→Markdown) + Qwen 3.5 Plus (翻译) + Python (格式清理) + pandoc 2.17 (Markdown→DOCX) + docx-js (模板生成)