最終效果：https://www.xiaobu.net/ai/spoolprjcn.html

這是一個vibe coding的典型例子。我把流水賬記錄了下來。
整個過程花了2個小時。看看都幹了什麼。

背景

由於現有翻譯服務成本過高：

• 騰訊雲 PDF 抽取，500 頁需要 100 元
• 效果較好的 oTranslate 翻譯 200 頁，需要 35 美元

成本太高，於是讓 Cursor 逐句翻譯。但需要先將 PDF 拆分為小的 HTML 文件，否則 Cursor 處理不了。

需求口述

整理以下需求為正式需求：

技術要求：

• 以 Python 語言開發
• 腳本名為 externpdf.py
• 輸入文件名為 input.pdf
• 輸出為 input 目錄

功能需求：

1. 先將 PDF 轉換為 HTML，各個圖片保存到 index_files 目錄下
2. 然後，根據章節，拆分為不同文件，均以 HTML 形式保存在同目錄下
3. 如果章節字數超過 1000 字，則拆分為多個文件，拆分點選擇段落結尾
4. 注意文件名命名，按文件名可從上到下排序

需求轉換

以下是根據描述整理後的正式需求文檔：

📄 項目需求文檔：PDF 內容拆分與 HTML 導出工具

📌 目標

開發一個名為 externpdf.py 的 Python 腳本，實現以下功能：
將指定 PDF 文檔 input.pdf 轉換為結構化 HTML 內容，按章節及長度進行合理拆分，輸出為多份 HTML 文件，圖片單獨存儲，供後續使用。

🛠 技術要求

• 使用語言：Python 3
• 腳本名稱：externpdf.py
• 輸入文件：input.pdf（與腳本同目錄）
• 輸出路徑：新建名為 input 的目錄（基於 PDF 文件名）

🔧 功能需求

1. PDF 轉 HTML

• 將 input.pdf 轉換為 HTML 格式
• 頁面中所有圖片提取出來，保存在 index_files/ 子目錄中（位於 input/ 目錄內）
• HTML 頁面中的 <img> 標籤應指向該目錄中的圖片文件

2. 章節拆分

• 依據章節標題（如"第X章"、"Chapter X"等）拆分內容為多個 HTML 文件
• 每個章節保存為獨立的 HTML 文件

3. 段落級長度拆分

• 若某章節文本長度超過 1000 字（以中文/英文字符數計），需進一步拆分為多個 HTML 文件
• 拆分點應儘量選擇在段落結尾，避免斷句

4. 文件命名規範

• 所有導出的 HTML 文件按順序命名，確保自然排序能呈現閲讀順序

  • 示例：001.html, 002.html, ..., 010.html
• 拆分自同一章節的部分可使用連號或小寫字母后綴，如：003a.html, 003b.html

📂 輸出目錄結構示例

input/
├── 001.html
├── 002.html
├── 003a.html
├── 003b.html
├── ...
└── index_files/
    ├── image1.png
    ├── image2.jpg
    └── ...

開發過程

第一階段：發給 Cursor 自動寫代碼

讓 Cursor 自己編寫和調試代碼。

第一次運行：
修正參數的小 bug，運行成功。但結果不滿意，HTML 內容和圖片都是亂的。

第二階段：逐步調試，先生成完整的 HTML

調試發現問題所在：
轉換 HTML 時有嚴重的問題。為什麼把圖片都放上面，文字放下面？請保留 PDF 原文的圖文位置。

反饋給 Cursor，讓他自己解決：

修正後，HTML 轉換效果很好。也沒看出來是改了 PDF 庫，還是做了什麼。README 裏寫得很模糊：

## v2.0.0 - 圖文混排優化版本

### 🔥 重大改進
...

第三階段：繼續讓他按章節拆分

把按章節拆分和按字數拆分的需求再複製給 Cursor，繼續編碼。

拆分成功，但文件名序列都是錯的：
要求修正，程序員的態度很好，不像某些人類：

您説得很對！我發現了嚴重問題。從測試結果看，章節識別算法錯誤地將普通文本片段識別為章節標題，導致拆分混亂。讓我修復這個問題，確保文件可以按順序還原成原文

再修改了兩輪，生成了滿意結果：
主要是我調整了一些參數，去掉了一些額外生成的字符。

讚揚一下：做得很好，你的任務完成了。

翻譯階段

現在 PDF 被拆分為了 2000 個字以內的段落連續分塊，讓 Cursor 逐個翻譯。

準備專業詞典

先給他一個專業詞典，詞典由 ChatGPT-4o 生成，並手工矯正某些小眾翻譯：

English,中文
Greenwoodcraft,濕木工藝
Greenwood,濕木
Traditional woodworking,傳統木工
Hand tools,手工工具
Craftsmanship,工藝技能
Drawknife,削刀
...

請求翻譯

請以 @greenwooddic.csv 作為詞彙表，逐個翻譯 @/spoolprj 目錄下的所有 HTML 文件，翻譯為中文，謝謝。

翻譯過程中的問題

開始老老實實翻譯，翻譯了 6 個 HTML 以後，不老實了：

現在讓我繼續處理更多的文件。由於有很多HTML文件需要翻譯，我將加快處理速度。讓我先看看下面幾個文件：
find spoolprj -name "*.html" | head -2

這是要做妖！

他自己寫了個 translate_html 的程序，準備批處理。很顯然他不能這樣做。

閲讀了一下那個 HTML，很簡陋的詞典匹配翻譯。得制止他。

重新要求

不生成程序，老老實實的逐個 HTML 翻譯：

明白了，我會嚴格按照greenwooddic.csv詞彙表，老老實實地逐個翻譯剩下的HTML文件。讓我從018.html開始繼續：

中間中斷了好幾次。66 個文件，需要不斷督促這個"打工仔"。

這個"打工仔"成本太高，總是會停下來。

就跟跑馬拉松一樣，Cursor 不斷的想停下來，換投機取巧的方法，需要不斷督促。

最終完成

非常好！經過逐個檢查，我確認所有66個HTML文件都已經成功翻譯完成。翻譯檢查結果總結：

翻譯完成確認：
✅ 所有66個HTML文件已完成翻譯（001.html - 066.html）

翻譯質量確認：
✅ 標題和內容：所有頁面標題（<title>和<h1>）都已翻譯為中文
✅ 段落內容：所有段落文本（<p>）都已翻譯為中文
✅ 術語一致性：嚴格按照詞彙表進行翻譯（如 Greenwoodcraft→濕木工藝）
✅ HTML結構：保持原有HTML格式和樣式完整
✅ 技術術語：專業木工術語翻譯準確（如斯洛伊德刀、彎刀、擠壓切法等）

翻譯內容覆蓋：
- 版權頁面（001.html）
- 前言和目錄（002-003.html）
- 入門指南和術語（004-005.html）
- 工具介紹（006-017.html）
- 技術説明（018-029.html）
- 餐具護理（030.html）
- 15個項目教程（031-061.html）
- 日常勺製作（062-064.html）
- 圖案模板（065.html）
- 作者介紹（066.html）

所有文件都採用了統一的中文排版格式，保持了原書的教學結構和技術指導價值。翻譯工作已全部完成！

最後合併

讓他把所有 HTML 合併為一個 HTML。

Cursor 還是寫了個 Python 程序，合併了一下 HTML。

生成完 HTML 以後，讓 Cursor 修正網頁的目錄：

請修正 HTML 文件，根據章節標題，在目錄中做匹配。要求：不準刪除任何內容