7.2 KiB
使用指南
先在已确认的远程环境安装项目，使用 paper-atlas。从源码运行时，将命令前缀替换为 python3 -B -m paper_atlas，其余参数相同。数据目录位于仓库外。
PostgreSQL 查询
在远程环境安装 .[postgres]，通过权限为 0600 的 libpq service 文件连接，不把密码放入 URL、命令行或仓库。
export PGSERVICEFILE=/etc/paper-atlas/pg_service.conf
paper-atlas query --pg-service foundry-research --stats
paper-atlas query --pg-service foundry-research --query '"language model"' --tag arxiv:category=cs.CL
paper-atlas query --pg-service foundry-research --status rejected --outcome accepted --limit 20
paper-atlas query --pg-service foundry-research --paper 123
使用只读一致性事务，支持论文 ID、会议别名、年份、轨道、标签、最新决定和跨会议录用筛选。全文检索使用 PostgreSQL websearch_to_tsquery('english', ...)，支持引号短语、OR 和减号排除；与 SQLite FTS5 的语法及分词结果不完全相同。JSON 来源列保留原始文本；转成 jsonb 前须确认原始值符合该类型的限制。
CLI 自动还原迁移中的 NUL/SOH 文本转义，详情中的来源摘要和筛选参数保留原字符。直接 SQL 读取可能看到 U+0001 转义序列；跨项目 ETL 应按迁移元数据中的 text_codec 使用 paper_atlas.postgres.text.encode/decode。存储格式和无损哈希验收见运行维护。
迁移与切换见运行维护。import records、import arxiv 和 maintain backfill 均支持 --pg-service 和可选 --pg-schema；与 --db 二选一。SQLite 导入仅用于未切换的索引或独立样本。尚未适配 PostgreSQL 的维护、覆盖审计命令仍可只读检查冻结备份，不能当作主库的当前状态。
1. 下载固定快照
paper-atlas download --help 说明大小、校验和与续传参数。各来源的固定版本与具体命令见数据源说明。下载成功只表示原始文件已核验。
2. 采集并核对清单
paper-atlas collect pmlr --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas collect cvf --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas collect ecva --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas catalogue dblp --help
paper-atlas audit iclr --help
paper-atlas collect public-openreview --help
paper-atlas collect icml-public-archive --help
paper-atlas audit public-openreview --help
采集输出 JSONL、manifest 和逐卷或逐年 catalogue。逐项检查 blocked、partial、缺失摘要及目标会议归属。DBLP 候选目录还需核验届次和 track，不能直接当作主会录用名单。
其他会议的公开拒稿使用 collect public-openreview，再以 audit public-openreview 核对既有投稿身份和决定冲突。来源版本、逐文件状态盘点和未解决记录分别保存在 inventory 与 held 清单中，具体命令见数据源说明。这类公开子集不能当作会议完整投稿名单。
主库切换后，预检须直接连接当前 PostgreSQL，不能用冻结的 SQLite 备份推断当前决定：
paper-atlas audit public-openreview --pg-service foundry-research \
--inventory /data/paper-index/collected/public-openreview-v1/public-openreview-inventory.json \
--out /data/paper-index/collected/public-negative-pg-preflight.json
预检使用只读一致性快照，报告会记录实际数据库、schema、文件哈希和同届次/轨道的决定冲突；其他会议的录用保留为独立历史。预检不预留写锁，实际导入这两类公开负面决定时会在写事务中再次复核同一次投稿的最新状态；过期预检报告不能覆盖已经变化的决定。
3. 串行导入
PostgreSQL 主库逐文件导入已经核验的资料：
paper-atlas import records --pg-service foundry-research \
/data/paper-index/collected/selected-file.jsonl
paper-atlas maintain backfill --pg-service foundry-research \
--queue /data/paper-index/collected/audited-identity-queue.json
文件和 queue 须替换为实际核验通过的路径。会议导入按文件提交，失败时该文件的论文、标签和决定更改全部回滚，失败批次日志保留；重跑会按来源标识与决定证据去重。回填使用已有源记录，只合并经独立身份佐证的投稿，不重新导入文本。所有写入者须遵守同一数据库/schema 的会话锁；其他项目也应通过相同的写入接口更新共享论文和投稿。
未来需要导入新的 arXiv 元数据包时使用 paper-atlas import arxiv --pg-service foundry-research --archive ... --storage-path ...。每 500 行提交断点，恢复同一文件时保留已提交 ID 和标签证据；--storage-path 指定运行主机上要监测的文件系统，在数据库主机执行时应指向数据库卷。已完成的历史压缩包不需要重复导入。
SQLite 独立样本的首次 arXiv 导入使用 paper-atlas import arxiv --db ... --archive ...。SQLite 协调器仍适用于未切换的索引：
paper-atlas maintain merge --db /data/paper-index/samples/example.sqlite \
--archive /data/paper-index/raw/arxiv-metadata.zip \
/data/paper-index/collected/selected-file.jsonl
上例的 selected-file 须换成实际通过核验的文件。协调器会维护本项目的 arXiv 断点、序列化写入并检查外键；已完成的 arXiv 批次不会重启。持久批次应作为一次性 systemd 任务运行，详见运行维护。
4. 查询与分析前检查
paper-atlas query --db /data/paper-index/papers.sqlite --query '"language model"' --limit 20
paper-atlas query --db /data/paper-index/papers.sqlite --tag arxiv:category=cs.AI
paper-atlas query --db /data/paper-index/papers.sqlite --venue ICLR --year 2025 --status rejected
paper-atlas query --db /data/paper-index/papers.sqlite --paper 123
paper-atlas coverage --db /data/paper-index/papers.sqlite --out /data/paper-index/collected/coverage.json
--status rejected 筛选某次投稿的最新已知决定。它并不表示论文在所有会议均未录用；分析转投情况时查看该论文的完整投稿历史。年份表示会议届次，观察时间和决定日期分别保留。
例如，查找在 ICLR 有拒稿记录、但在其他已知投稿中已有录用的论文：
paper-atlas query --db /data/paper-index/papers.sqlite \\
--venue ICLR --status rejected --outcome accepted
known_acceptances 列出目前仍为录用状态的各次投稿及会议、年份、track 和决定证据，publication_outcome 汇总为 accepted 或 no_known_acceptance。汇总会检查所有会议和 track，不把某次拒稿覆盖到整篇论文；同一次投稿的后续撤稿也会更新该次状态并保留原决定。no_known_acceptance 只表示现有来源中没有查到录用，不能称为“从未录用”。
--stats 中 papers 是当前规则下的论文实体数；source_records 是来源记录数；decisions 是决定观察数。一个投稿可能有多个来源和多条观察，不能相加当作论文数。