PDF 全文翻译 → 可编辑 Word（Report-Full-TNA-docx）
> 姊妹 skill：Report-Full-TNA-html（同一前端，输出单文件 HTML）。
> 两者不是两条互斥管线，而是「共用前端 + 两个渲染器」：
>
> > PDF ──► 提取原文 ──► 脱敏判别 ──► 网格表重建 ──► 分段翻译 ──► out/zh/part_XX.md
> │
> ┌───────────────────────────┴───────────────┐
> ▼ ▼
> Report-Full-TNA-html/scripts/ 本 skill/scripts/
> build.py md2docx.py
> ▼ ▼
> 单文件 HTML 中文 .docx
>
何时使用 / 何时不用
用本 skill：用户要 .docx；要可编辑（改措辞、加批注）；要走审批流/递交；要交给不用 HTML 的同事。
改用 Report-Full-TNA-html：要单文件、要保留原文件原图且位置与图注不变、要侧边目录 + 可打印/存 PDF、图很多（几十到上百张）。
两者都要（常见于「先内部审阅、后归档」）：
译文 md 只有一份，跑两次渲染即可，不要翻译两遍。
都不适用：
- 扫描件 PDF（无文字层）→ 先 OCR，见「边界与失败模式」
- 只要摘要/要点，不要全文 → 直接读 PDF 回答，不必走管线
- 加密不可提取的 PDF → 先向用户要解密版
环境
# 1) 解释器：显式指定你的 venv（建议写进 ~/.bashrc 或 ~/.zshrc，之后开箱即用）
export PY="<你的 venv 路径>/Scripts/python" # Windows
# export PY="<你的 venv 路径>/bin/python" # macOS / Linux
PY="${PY:-$(command -v python3 || command -v python)}"
# 2) 脚本目录：自动定位，不写死绝对路径
# —— 技能会装到不同客户端、不同盘符、不同用户目录，写死的路径在别人机器上必然失效
find_skill_dir() {
for base in "$HOME/.workbuddy/skills" "$HOME/.claude/skills" "./.workbuddy/skills"; do
d=$(ls -d "$base/$1"* 2>/dev/null | head -1); [ -n "$d" ] && echo "$d" && return 0
done; return 1
}
HTML_SKILL=$(find_skill_dir "Report-Full-TNA-html") \
|| { echo "未找到 Report-Full-TNA-html，请先安装该技能（本 skill 依赖它的前端脚本）"; exit 1; }
SHARED="$HTML_SKILL/scripts" # 共用前端（Step 1–4）
DOCX="$(find_skill_dir "Report-Full-TNA-docx")/scripts" # 本 skill 渲染器
依赖：pymupdf、pdfplumber、pypdf、python-docx
（缺装时：$PY -m pip install pymupdf pdfplumber pypdf python-docx）
（不要用系统裸 Python；Git Bash 下命令需带 PYTHONUTF8=1 PYTHONIOENCODING=utf-8，
传给 pymupdf 的路径要用 Windows 形式 C:/...，/c/... 不认。）
> ⚠ 翻译本身不调用任何在线翻译 API（沙箱无外网，且机翻质量不达标）。
> 翻译由主 Agent 或后台子代理完成，产出 Markdown 分块。
端到端步骤
Step 0 — 前置依赖自检（首次使用必做，别跳过）
本 skill 只提供渲染器 md2docx.py；Step 1–4 的四个前端脚本由 Report-Full-TNA-html 提供。两个技能必须同时安装，否则管线在第一步就断，且报错不会告诉你缺的是另一个技能。
> 为什么不把脚本复制一份进来？ 共享代码若存在两份，改一处另一处不更新，必然产生版本漂移（坐标算法、脱敏判别这种东西漂一点就得出错译文）。共享代码只应有一份真源，缺依赖应该在入口显式报出，而不是靠复制来掩盖。
[ -f "$SHARED/extract_text.py" ] || { echo "缺少 Report-Full-TNA-html，请先安装它"; exit 1; }
for f in extract_text check_redaction grid_table verify; do
[ -f "$SHARED/$f.py" ] || echo "缺少 $f.py —— html 版过旧，请更新到最新版"
done
[ -f "$DOCX/md2docx.py" ] || echo "缺少渲染器 md2docx.py"
"$PY" -c "import docx, fitz, pdfplumber" 2>/dev/null || echo "缺 Python 依赖，见「环境」一节"
若缺 html 版：唯一正确解法是安装 Report-Full-TNA-html——不要自己手写替代品，那会在坐标重建与脱敏判别上引入偏差，且这类偏差不会报错，只会安静地产出错译文。
Step 1 — 提取原文（事实源）
PYTHONUTF8=1 $PY "$SHARED/extract_text.py" "C:/path/src.pdf" out/full_raw.txt
产出 ===== PAGE N ===== 分隔的纯文本。这是后续一切的事实源：翻译以它为准，校验以它为准。
保留一份未做任何替换的备份（如 out/full_raw_full.txt）——提取阶段任何"顺手处理"都要在备份之后。
Step 2 — 脱敏判别（若 PDF 有黑框 / 文件名带 _redacted）
PYTHONUTF8=1 $PY "$SHARED/check_redaction.py" "C:/path/src.pdf" --samples 15
| 黑框数 | 被覆盖 span | ■ 字形 | 结论 | 处理 |
|---|---|---|---|---|
| 多 | 多 | 0 | 视觉脱敏 → 可恢复 | 用完整文本，被覆盖内容照常翻译写入 |
| — | 0 | 多 | 真脱敏 → 不可恢复 | 保留 ■ 占位并注明 |
| 多 | 多 | 多 | 混合 | 逐处判断 |
⚠ 最贵的坑：别把"视觉脱敏"误判成内容已删、用替换成 ■ 的提取器——那会让整轮译文作废重译。
Step 3 — 网格大表坐标重建（跨页/多层表头/合并格）
PYTHONUTF8=1 $PY "$SHARED/grid_table.py" "C:/path/src.pdf" --pages 68-70 --hrows 2 --out out/soa.md
--pages 必须含表头所在页；续页用 --hrows 0；--mincol（默认 8pt）自动合并双线边框产生的极窄伪列。
列归属必须坐标验证，不能靠语义猜；输出行数骤减 = 踩了表头去重坑或页区间漏了表头页。
Step 4 — 分段翻译（唯一真源：Markdown 分块）
按页切成 out/zh/part_01.md … part_12.md，每块约 6–15 页原文：
- 页锚
<!--PAGE:N-->（必须逐页齐全，缺失通常是 Agent 合并了页块，先核对内容再补锚，别重译） - 表格写成 GFM Markdown 表
- 图槽
@@FIG:p:n@@（docx 渲染时转为占位段落） - 术语规范写进
out/translation_guide.md，并行翻译前先写它——多子代理各翻各的必然漂移
派发节奏：后台子代理每批 4–5 个，别一次全派（易限流/502）。被中断后先盘 out/zh/ 落盘状态再补派。
Step 5 — 渲染 docx
PYTHONUTF8=1 $PY "$DOCX/md2docx.py" out/zh \
--out "中文译本.docx" --title "XXX（中文译本）" \
--shift -2 --toc
| 参数 | 作用 |
|---|---|
--shift N |
标题层级整体偏移。HTML 流水线常把层级压得很深，出 docx 建议 -1~-2 |
--toc |
文首插 TOC 域（Word 里 Ctrl+A 后 F9 生成目录） |
--pagebreak |
页锚处插分页符（默认只插浅灰「— 原文第 N 页 —」标记，便于与原文对照） |
--nopagemark |
完全忽略页锚 |
--font-cn/--font-en/--size |
默认宋体 / Times New Roman / 10.5pt |
--imgwidth |
图片最大宽度（cm，默认 15） |
--no-header-repeat |
表格首行不跨页重复 |
实测基准（127 页 APG-2575 方案，12 个 md 分块 / 15.3 万字）：
→ 段落 1506、标题 197、表格 47（475 行，含 15 列 SoA 与 9 列统计界值表）、页锚 128、0.16 MB、约 8 秒。
Word 渲染的三个坑（都是踩过的，勿改）
- 绝不使用 Word 的
List Bullet/List Number样式。那会在文本已有的 "•" / "N." 之上再加一个标记 → 双重项目符号；且List Number会从 1 重新编号，丢失入选标准原编号（"4. ECOG≤2" 变 "1. 4. ECOG≤2"）。
→ 列表一律渲染为普通段落 + 悬挂缩进，保留文本原有标记；孤立的项目符号段直接跳过。 - 中文字体必须同时设
w:eastAsia。只设run.font.name会让中文回退成默认字体。
→run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')，标题样式同理。 - 宽表（>8 列）会撑破纸面。
→ 自动降到 8pt；仍过宽则改横向页面或在 Word 里调。
附：表格网格过度切分（"800mg" 被切成 "800m"+"g"）已由前端 grid_table.py 的坐标重建统一解决，
不再需要 pdfplumber 词聚类那套补丁。
术语与格式约定
术语总表以 Report-Full-TNA-html/SKILL.md「临床方案 Profile B」为唯一真源，两边共用，不要各写一份。要点：
- 药物名首现中英对照（lisaftoclax（APG-2575）、阿扎胞苷（Azacitidine, AZA）），后续从简
- 研究代码 / 方案编号 / 访视周期代码（APG-2575、GLORA-4、C1D1、C2+D15、EOT）保留英文
- 缩略语首现「中文全称（English, 缩写）」；统计方法保留原名（Lan-DeMets、Cochran-Mantel-Haenszel…）
- 数字、剂量、单位、实验室值、受试者编号、日期、时间窗原样不换算
- 章节号、入选/排除标准号、表号图号不重排；参考文献保留英文原文
- 页码 "Page N of 105" → "第N页，共105页"；"Table X"→"表X"；"Section X"→"第X节"
表格是否译中文——开工前问清，不要默认（这是两份 skill 曾冲突的地方）：
| 场景 | 处理 |
|---|---|
| 内部审阅 / 阅读型交付（默认） | 表格译为中文，与正文一致 |
| 药政递交 / 需与原文逐字对照 | 表格保留英文，派发前写进 translation_guide.md |
图：docx 无法承载 @@FIG 图槽，渲染为占位段落「〔图 p-n：见配套图片文件〕」。
确需插图时，在 md 里写 ，图片与 docx 一并交付。
边界与失败模式
| 情况 | 判据 | 处理 |
|---|---|---|
| 扫描件（无文字层） | full_raw.txt 极短或几乎为空 |
停止，告知用户需 OCR；别硬翻空白 |
| 加密 PDF | pymupdf.open 报权限错误 |
向用户要解密版 |
| 超大文档（>150 页） | 段落数将达数千 | 仍可出 docx，但编辑体验差；建议同时给 HTML 版，或直接问用户 |
| 图很多（>30 张） | — | 建议走 HTML 版（docx 只能占位或外挂图片） |
| 子代理中断 | 部分 part_XX.md 未落盘 |
先盘落盘状态再补派，不要盲重发 |
交付检查清单
- [ ]
verify.py（前端）页锚数 = 原文页数 + 附页；无缺页无重复 - [ ] docx 段落数、表格数与 md 源吻合
- [ ] 无
• •/。•/ "1. 4." 双重标记；未使用任何 List 样式 - [ ] 入选标准原编号（4. 5. 6. …）保留正确
- [ ] 表格列无断裂数字；宽表（>8 列）已缩字号
- [ ] 中文字体生效（
w:eastAsia已设），标题层级用--shift提过 - [ ] 页锚以「— 原文第 N 页 —」标记或分页符呈现，可与原文对照
- [ ] 术语与 html 版一致（同一份
translation_guide.md） - [ ] 结尾「保留未译与存疑术语清单」已附（Profile B 类文档）
- [ ]
present_files已调用
