Reaction Data Extraction

从化学文献 PDF 中精确提取化学反应数据，特别是反应条件优化信息。支持提取反应物、产物、催化剂、溶剂、温度、时间、产率等关键信息，并输出结构化的 CSV/JSON 文件。

触发条件

• 用户提供 PDF 文献并要求提取反应数据
• 提到"提取反应条件"、"反应优化数据"
• 说"extract reaction conditions"、"reaction data from PDF"
• 需要从文献中整理反应表格
• 需要批量提取多篇文献的反应数据

功能特性

• ✅ 反应物/产物识别 - 自动提取反应物和产物的 SMILES/名称
• ✅ 反应条件提取 - 催化剂、配体、溶剂、添加剂
• ✅ 参数提取 - 温度、时间、压力、浓度
• ✅ 产率提取 - 分离产率、GC 产率、NMR 产率
• ✅ 反应类型识别 - 偶联、氧化、还原、环化等
• ✅ 表格数据提取 - 从反应条件优化表格中提取数据
• ✅ 支持体内容 - 从正文段落中提取反应描述
• ✅ 结构化输出 - CSV/JSON 格式，便于后续分析
• ✅ 批量处理 - 支持多篇文献批量提取
• ✅ 置信度评分 - 每个提取结果附带置信度

核心技术

组件	用途
MinerU	PDF 解析和文本提取 (命令行调用)
正则表达式	反应条件模式匹配
Rule-based Parser	反应句子解析
表格解析器	Markdown 表格→反应数据

提取的数据字段

字段	说明	示例
reaction_id	反应唯一标识	RXN_001
entry	表格中的条目号	1, 2, 3
reactants	反应物 (SMILES 或名称)	c1ccccc1Br
products	产物 (SMILES 或名称)	c1ccccc1-c2ccccc2
catalyst	催化剂	Pd(PPh3)4
ligand	配体	PPh3
base	碱	K2CO3
solvent	溶剂	DMF, Toluene
temperature	温度	80 °C, rt, reflux
time	反应时间	12 h, 30 min
pressure	压力 (如有)	1 atm, 10 bar
concentration	浓度	0.1 M
yield_value	产率数值	85
yield_type	产率类型	isolated, GC, NMR
ee_value	对映选择性	99%, >99%
reaction_type	反应类型	Suzuki coupling
scheme_number	反应式编号	Scheme 1, Table 2
page_number	页码	5
confidence	提取置信度	0.95
notes	备注	optimized condition

使用方法

对话框中使用

从这篇 PDF 提取所有反应条件
提取反应优化数据并生成 CSV
extract reaction data from this paper
把文献中的反应表格整理成 Excel
提取 Suzuki 偶联反应的条件

命令行使用

# 基本提取（自动模式）
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output

# 只提取表格数据
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output --tables-only

# 只提取体内容反应
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output --text-only

# 批量处理
python3 scripts/reaction_data_extraction.py -i ./papers/ -o ./output --batch

# JSON 输出
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output --output-format json

# 详细模式
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output -v

# 使用 OCR 处理扫描版
python3 scripts/reaction_data_extraction.py -i scanned.pdf -o ./output --method ocr

参数说明

参数	简写	说明	默认值
--input	-i	输入 PDF 文件或目录	-
--output	-o	输出目录	~/.openclaw/media/reaction-data-extraction
--tables-only	-t	只提取表格数据	false
--text-only	--text	只提取体内容反应	false
--output-format	-f	输出格式：csv/json	csv
--method	-m	MinerU 解析方法：auto/txt/ocr	auto
--lang	-l	OCR 语言	en
--device	-d	设备：cpu/cuda	cpu
--verbose	-v	详细输出	false
--batch	-b	批量处理模式	false

输出示例

基本提取

$ python3 scripts/reaction_data_extraction.py -i organic_paper.pdf -o ./output -v
✓ 输出目录：/home/lla/.openclaw/media/reaction-data-extraction/output
  提取模式：all
  输出格式：csv

✓ 开始处理：organic_paper.pdf
  [1/3] 解析 PDF...
    命令：mineru -p organic_paper.pdf -o ./output -m auto -l en --backend pipeline -d cpu
    ✓ PDF 解析完成，文本长度：41804 字符
    检测到表格：3 个
  [2/3] 从表格提取反应数据...
    提取表格反应：25
  [3/3] 从文本提取反应数据...
    从文本提取：18 个反应

✓ 已处理：organic_paper.pdf
  提取反应数：43
  ✓ CSV 已保存：./output/organic_paper/reaction_data.csv
  ✓ 日志已保存：./output/organic_paper/extraction_log.txt

============================================================
✅ 全部完成！
   输出目录：/home/lla/.openclaw/media/reaction-data-extraction/output

CSV 输出示例

reaction_id,entry,catalyst,ligand,solvent,temperature,time,yield_value,ee_value,reaction_type,source,confidence
RXN_001,1,Pd₂(dba)₃,L7,MeOH,40 °C,24 h,99,99%,asymmetric oxidative allylic amination,table_0,0.9
RXN_002,2,Pd(OAc)₂,L7,MeOH,40 °C,24 h,trace,,asymmetric oxidative allylic amination,table_0,0.9
RXN_003,3,Pd(dba)₂,L7,MeOH,40 °C,24 h,97,99%,asymmetric oxidative allylic amination,table_0,0.9

JSON 输出示例

{
  "extraction_date": "2026-03-17T22:04:38",
  "total_reactions": 43,
  "reactions": [
    {
      "reaction_id": "RXN_001",
      "entry": 1,
      "catalyst": "Pd₂(dba)₃",
      "ligand": "L7",
      "solvent": "MeOH",
      "temperature": "40 °C",
      "time": "24 h",
      "yield_value": 99,
      "ee_value": "99%",
      "source": "table_0",
      "confidence": 0.9
    }
  ]
}

依赖安装

# 安装 MinerU（命令行工具）
pip install 'mineru[all]'

# 如果遇到 numpy 版本问题
pip install 'numpy<2.0' 'pandas<3.0'

# 检查安装
mineru --version

检查安装

# 检查 MinerU 命令行工具
mineru --help

# 测试 PDF 解析
mineru -p test.pdf -o ./test_output -m txt

工作流程

1. PDF 解析（使用 MinerU 命令行）

import subprocess

# 运行 MinerU
cmd = [
    "mineru",
    "-p", "paper.pdf",
    "-o", "./output",
    "-m", "auto",
    "-l", "en",
    "--backend", "pipeline",
    "-d", "cpu"
]

result = subprocess.run(cmd, capture_output=True, text=True, timeout=600)

2. 表格检测与提取

import re

# 从 Markdown 中提取表格
table_pattern = r'\|.*?\|.*?\|.*?\n\|[-\| ]+\|\n((?:\|.*?\|\n)+)'
tables = re.findall(table_pattern, text_content, re.MULTILINE)

3. 反应数据解析

def parse_reaction_table(table_text):
    lines = table_text.strip().split('\n')
    headers = [h.strip() for h in lines[0].split('|') if h.strip()]
    
    reactions = []
    for line in lines[2:]:
        values = [v.strip() for v in line.split('|') if v.strip()]
        reaction = dict(zip(headers, values))
        reactions.append(reaction)
    
    return reactions

4. 文本数据提取

# 反应条件模式
patterns = {
    'temperature': r'(\d+\s*°C|rt|reflux)',
    'time': r'(\d+\s*(h|hr|hour|min)s?)',
    'yield': r'(\d+\s*%)',
    'catalyst': r'(Pd\([^)]+\)|Pd₂\(dba\)₃)',
}

for key, pattern in patterns.items():
    match = re.search(pattern, sentence, re.IGNORECASE)
    if match:
        reaction[key] = match.group(1)

反应类型识别

支持识别的反应类型：

反应类型	关键词
Suzuki-Miyaura	Suzuki, boronic acid, Pd catalyst
Heck	Heck, alkene, Pd catalyst
Sonogashira	Sonogashira, alkyne, Cu co-catalyst
Buchwald-Hartwig	Buchwald, amination, Pd catalyst
Oxidative amination	oxidative, amination, oxidant
Click	Click, azide, alkyne, CuAAC
Diels-Alder	Diels-Alder, diene, dienophile
Aldol	Aldol, enolate, carbonyl
Oxidation	Oxidation, oxidant
Reduction	Reduction, reductant, hydrogenation

与其他技能配合

与 literature-parsing 配合

# 1. 先解析 PDF 为 Markdown
python3 ../literature-parsing/scripts/literature_parsing.py -i paper.pdf -o ./parsed

# 2. 从 Markdown 提取反应数据
python3 scripts/reaction_data_extraction.py -i ./parsed/paper.md -o ./output

与 yields-prediction 配合

# 1. 提取实验产率数据
python3 scripts/reaction_data_extraction.py -i paper.pdf -o ./output

# 2. 使用 ML 模型预测相同反应的产率
python3 ../yields-prediction/scripts/yields_predictor.py \
  --reactants "reactant_smiles" \
  --products "product_smiles"

完整工作流程示例

示例 1: 单篇文献提取

# 提取所有反应数据
python3 scripts/reaction_data_extraction.py \
  -i jacs_paper.pdf \
  -o ./output/jacs_data \
  --output-format csv \
  -v

# 查看结果
cat ./output/jacs_data/reaction_data.csv

示例 2: 批量提取

# 批量处理整个目录
python3 scripts/reaction_data_extraction.py \
  -i ./papers/ \
  -o ./output/all_reactions \
  --batch

# 合并所有数据
python3 scripts/merge_reactions.py \
  -i ./output/all_reactions/ \
  -o ./output/combined_reactions.csv

示例 3: 只提取最优条件

# 提取并过滤高产率条件
python3 scripts/reaction_data_extraction.py \
  -i paper.pdf \
  -o ./output \
  --output-format json

# 后处理：筛选最优条件
python3 scripts/filter_optimal.py \
  -i ./output/reaction_data.json \
  --min-yield 80 \
  -o ./output/optimal_conditions.csv

注意事项

• ✅ 高准确率 - 表格数据提取准确率 >90%
• ✅ 支持多种格式 - CSV/JSON 输出
• ✅ 置信度评分 - 每个结果附带置信度
• ✅ MinerU 命令行 - 使用 subprocess 调用，避免库导入问题
• ⚠️ PDF 质量 - 扫描版 PDF 需要使用 --method ocr
• ⚠️ 复杂表格 - 跨页表格可能需要手动校正
• ⚠️ 隐式条件 - 某些条件可能在正文中描述而非表格
• ⚠️ 处理时间 - 长文献可能需要几分钟

错误处理

错误	说明	解决方案
No tables found	未检测到表格	使用 --text-only 提取体内容反应
MinerU execution failed	MinerU 执行失败	检查 mineru 是否正确安装
Timeout	处理超时（>10 分钟）	尝试 -m txt 模式或减小文件
Low confidence	提取置信度低	检查原文，手动校正
File not found	PDF 文件不存在	检查文件路径

性能参考

文档类型	页数	处理时间	提取反应数
短篇通信	4-6	~30s	5-15
完整论文	10-15	~1-2min	20-50
综述文章	20-30	~3-5min	50-100+
支持信息	50-100	~5-10min	100-200+

输出目录白名单

重要：为了能在飞书等平台上发送生成的文件，输出目录必须在白名单内：

• ✅ ~/.openclaw/media/reaction-data-extraction/
• ✅ ~/.openclaw/workspace/
• ✅ ~/.openclaw/agents/

本 skill 默认输出到 ~/.openclaw/media/reaction-data-extraction/，可以直接分享！

常见问题

Q: 提取的产率数据不准确怎么办？

A:

• 检查原文中产率的表示方式（isolated/GC/NMR）
• 某些表格可能使用 footnote 说明
• 手动校正后更新 CSV

Q: 如何处理支持信息 (Supporting Information)?

A:

• SI 通常包含更多反应数据
• 使用相同流程处理 SI PDF
• 合并主文和 SI 的数据

Q: MinerU 导入失败怎么办？

A:

• 本技能使用 MinerU 命令行工具，不依赖 Python 库导入
• 确保 mineru 命令可用：mineru --help
• 如果不行，重新安装：pip install -U 'mineru[all]'

Q: 如何验证提取结果的准确性？

A:

• 检查 confidence 字段（>0.8 较可靠）
• 随机抽样人工核对
• 与原文表格对比

技术细节

MinerU 优势

MinerU 是 opendatalab 开源的工业级 PDF 解析工具：

• 📊 布局分析 - 准确识别标题、段落、表格、图片
• 📐 公式保留 - 完整保留 LaTeX 数学公式
• 🖼️ 图片提取 - 提取嵌入的图片
• 📝 OCR 支持 - 支持扫描版 PDF
• 🌍 多语言 - 支持 109 种语言 OCR

命令行调用 vs Python 库

本技能使用命令行调用MinerU，而不是 Python 库导入：

# ✅ 推荐：命令行调用
subprocess.run(["mineru", "-p", "paper.pdf", "-o", "./output"])

# ❌ 避免：Python 库导入（可能有版本兼容问题）
from mineru.backend import Pipeline

优势：

• 避免版本兼容性问题
• 更稳定的执行环境
• 易于调试和错误处理

置信度评分

来源	置信度	说明
表格数据	0.9-0.95	结构化数据，准确率高
体内容明确描述	0.7-0.8	清晰的反应描述
体内容模糊描述	0.3-0.5	需要人工核对

引用

核心技术:

• MinerU - PDF 解析引擎
• ChemDataExtractor - 化学 NLP（可选）

引用:

@article{swain2016chemdataextractor,
  title={ChemDataExtractor: a toolkit for automated extraction of chemical information from the scientific literature},
  author={Swain, Matthew C and Cole, Jacqueline M},
  journal={Journal of Chemical Information and Modeling},
  year={2016}
}