我需要一种从PDF文档中提取书目元数据的机制，以保存手动输入或剪切粘贴的人。
至少，标题和摘要。作者名单及其隶属关系会很好。提取参考文献会很棒。
理想情况下，这将是一个开源解决方案。
问题在于并非所有PDF都对文本进行编码，而且许多PDF文件都无法保留文本的逻辑顺序，因此只需执行pdf2text即可获得第1列第1行，第2列第1行，第2行第2行1等。
我知道有很多图书馆。它正在识别我需要解决的文档的摘要，标题作者等。这种情况每次都不可能实现，但80％可以节省大量的人力。
答案 0 :(得分：10)
我每个帖子只允许一个链接，所以就是这样： pdfinfo Linux manual page
这可能会得到标题和作者。查看手册页的底部，可以找到www.foolabs.com/xpdf的链接，其中可以找到程序的开源，以及各种平台的二进制文件。
要提取参考书目，请查看cb2bib：
cb2Bib是一个免费的，开源的，多平台的应用程序，用于从电子邮件警报，期刊网页和PDF文件中快速提取未格式化或未标准化的书目参考。
您可能还想查看讨论此主题的www.zotero.org上的论坛。
答案 1 :(得分：8)
我们在2010年2月的伦敦Dev8D举办了一场比赛来解决这个问题，结果我们得到了一个很好的小GPL工具。我们还没有将它集成到我们的系统中，但它已经存在于世界各地。
答案 2 :(得分：5)
可能有点简单，但谷歌搜索“bibtex +纸标题”ussualy从ACM，Citeseer或其他此类参考跟踪网站获取格式化的bibtex条目。当然，这是假设论文不是来自非计算期刊：D
- 编辑 -
我有一种感觉，你不会找到一个自定义的解决方案，你可能想写citeseer，ACM和谷歌学者的引用跟踪器，以获得他们所做的事情的想法。还有很多其他的，您可能会发现它们的实现不是封闭源，而是发布的形式。关于这个问题的研究材料很多。
我所参与的研究小组已经研究过这些问题，我们得出的结论是手写提取算法或机器学习是实现这一目标的方法。手写算法可能是你最好的选择。
由于可能的变化量，这是一个非常难的问题。我建议将PDF格式化为文本（可以从任意数十个程序化PDF库中获得）。然后，您需要实现自定义文本报废算法。
我会从PDF结尾开始向后看，看看存在什么类型的引文键 - 例如[1]，[作者年]，（作者年），然后尝试解析下面的句子。您可能必须编写代码来规范化从库中获取的文本（删除额外的空格等）。我只会寻找引文键作为一行的第一个单词，并且每个文档只有10页 - 第一个单词必须有键分隔符 - 例如，'['或'（'。如果没有键可以找到10页然后忽略PDF并标记它以供人为干预。
您可能需要一个库，您可以进一步以编程方式查询引用中的元数据格式 - 例如，itallics具有特殊含义。
我认为你最终可能会花费相当长的时间来获得一个有效的解决方案，然后是一个不断调整和添加到报废算法/引擎的过程。
答案 3 :(得分：3)
在这种情况下，我会从TET
推荐PDFLIB如果您需要快速了解它的功能，请查看TET Cookbook
这不是一个开源解决方案，但在我看来它是目前最好的选择。它不依赖于平台，具有丰富的语言绑定和商业支持。
如果有人向我指出了相当或更好的开源替代方案，我会很高兴。
要提取文字，您可以使用TET_xxx()函数并查询元数据，以便使用pcos_xxx()函数。
您还可以使用commanline工具生成包含所需信息的XML文件。
tet --tetml word file.pdf
有关如何在XSLT
中使用TET Cookbook处理TETML的示例TETML中包含哪些内容？
TETML输出以UTF-8编码（在zSeries上使用USS或 MVS：EBCDIC-UTF-8，见www.unicode.org/reports/tr16），包括以下信息： 一般文件信息和元数据 每页的文字内容（文字或段落） 字形信息（字体名称，大小，坐标） 结构信息，例如表 有关页面上放置图像的信息 资源信息，即字体，颜色空间和图像 如果在PDF处理期间发生异常，则会显示错误消息
答案 4 :(得分：1)
看看iText。它是一个Java库，可以让您阅读PDF。您仍将面临找到正确数据的问题，但该库将提供可用于推断目的的格式和布局信息。
答案 5 :(得分：1)
要尝试的另一个Java库是PDFBox。 PDF文件非常适合查看和打印，因此您绝对希望图书馆能够为您完成一些繁重的工作。即便如此，您可能需要将文本片段粘合在一起以获取要提取的数据。祝你好运！
答案 6 :(得分：1)
刚刚找到pdftk ...这太神奇了，还有Win / Lin / Mac的二进制发行版和源代码。
事实上，我解决了我的另一个问题（看看我的个人资料，然后问我回答了另一个pdf问题..由于1个链接限制无法链接。）
它可以进行pdf元数据提取，例如，这将返回包含标题的行：
pdftk test.pdf dump_data output test.txt | grep -A 1 "InfoKey: Title" | grep "InfoValue"
它可以转储标题，作者，修改日期，甚至书签和页码（测试pdf都有书签）......显然需要一些工作才能正确地输出输出，但我认为这应该适合你的需要。
如果您的pdf没有元数据（即没有“抽象”元数据），您可以使用不同的工具（如pdf2text）捕获文本，并使用上面的一些grep技巧。如果您的pdf不是OCR，那么您会遇到更大的问题，并且对PDF格式的临时查询会非常缓慢（最好是OCR）。
无论如何，我建议您构建文档索引，而不是让每个查询扫描文件元数据/文本。
答案 7 :(得分：1)
看一下这篇研究论文 - Accurate Information Extraction from Research Papers using Conditional Random Fields
您可能希望使用像Stanford NER这样的开源软件包来开始使用CRF。
或许，您可以尝试将它们（研究论文）导入Mendeley。显然，它应该为您提取必要的信息。
希望这有帮助。
答案 8 :(得分：1)
以下是我使用linux和cb2bib进行的操作。
对所有论文重复此操作。我认为，如果没有可靠地从PDF中提取元数据的方法，这是我找到的最简单的解决方案。
答案 9 :(得分：1)
尽管PDF提供了元数据，但它很少会填充正确的内容。例如，通常“无”或“Adobe-Photoshop”或其他哑字符串都在标题字段的位置。这就是为什么上述工具都不能从PDF中获取正确的信息，因为标题可能位于文档的任何位置。另一个例子：会议记录的许多论文也可能具有会议的标题，或编辑器的名称混淆了自动提取工具。当你对论文的真正作者感兴趣时，结果就是错误的。
所以我建议采用谷歌学者的半自动方法。
所以在现实生活中这就是我的所作所为：
me@box> pdftotext 10.1.1.90.711.pdf - | head
Computational Geometry 23 (2002) 183–194
www.elsevier.com/locate/comgeo
Voronoi diagrams on the sphere ✩
Hyeon-Suk Na a , Chung-Nim Lee a , Otfried Cheong b,∗
a Department of Mathematics, Pohang University of Science and Technology, South Korea
b Institute of Information and Computing Sciences, Utrecht University, P.O. Box 80.089, 3508 TB Utrecht, The Netherlands
Received 28 June 2001; received in revised form 6 September 2001; accepted 12 February 2002
Communicated by J.-R. Sack
me@box> gscholar.py "Voronoi diagrams on the sphere Hyeon-Suk"
@article{na2002voronoi,
title={Voronoi diagrams on the sphere},
author={Na, Hyeon-Suk and Lee, Chung-Nim and Cheong, Otfried},
journal={Computational Geometry},
volume={23},
number={2},
pages={183--194},
year={2002},
publisher={Elsevier}
}
编辑：小心，你可能会遇到验证码。另一个很棒的剧本是bibfetch。
答案 10 :(得分：0)
PyPDF可能有所帮助。它提供了广泛的API，用于读取和写入PDF文件的内容（未加密），并使用简单的语言Python编写。
答案 11 :(得分：0)
试试citeyoulike。这是一个网站，可以让你整理一个论文库，为他们分配标签，搜索他们，并附上评论。它还允许您向Web浏览器添加一个按钮，该按钮将尝试自动提取您想要的信息，包括摘要。尽管如此，它并没有从pdf中获得太多。但是，如果您将其指向IEEE探险家，citeseer或许多期刊网站上的论文，它通常能够获得所有的bibtex信息。
问题是pdfs通常没有开头的所有引用信息。您通常会拥有标题和作者，但不一定是会议名称或出版年份。首先在siteseer，PubMed或其他地方找到论文的引用是有意义的，并从那里提取信息。
总的来说，我发现citeyoulike对于组织论文非常有用。它对于与其他人合作也很有用。您可以创建群组，分享论文，设置论坛等。
答案 12 :(得分：0)