求引文解析器

Question

我需要一个解析器来扫描学术文本，提取引文，并将这些引用解析为它们的组成部分（作者，标题，出版日期等）。

我尝试过Paracite，但速度慢得令人沮丧，并没有产生高质量的结果。

任何语言都可以，但首选Java。

Answer 1

看看ParsCit：

  

这是ParsCit项目的主页，它执行两个   任务：1）引用字符串解析，有时也称为引用   解析或引用提取，以及2）逻辑结构解析   科学文件。它被设计为受监督的机器   使用条件随机场作为学习的学习过程   机制。您可以下载以下代码，在线解析字符串或   将批处理作业发送到我们的Web服务。代码包含两者   训练数据，特征生成器和shell脚本来连接   系统到Web服务（在本网站上使用）。

Answer 2

我们最近遇到了类似的问题，并最终编写了基于ParsCit的自己的解析器，但使用Wapiti而不是CRF ++作为条件随机字段模型。就像Mike上面提到的那样，基于ML的解析器的问题是获得良好的标记训练数据;为此，我们编写了一个可视化编辑器，可以标记结果（并将其保存为训练数据）。这种方法非常适合解析参考书目。

如果有人有兴趣，我们已在anystyle.io处提供解析器和编辑器。

Answer 3

项目清单如下： https://forums.zotero.org/discussion/1211/

Cb2bib使用正则表达式http://www.molspaces.com/cb2bib/

Citeseer使用了很多作者姓名和头衔。您可以查看他们的出版物清单

这是一个项目，但是在python中： https://code.google.com/p/pdfssa4met/

另请参阅以下stackoverflow问题： * Extracting information from PDFs of research papers

Answer 4

您还可以尝试使用这个小工具将学术引文解析为字段：

http://citationparser.com

Citationparser.com仍然是测试版，但2017版本特别适用于期刊文章，但也适用于专着和书籍章节。

该列表不一定是一种风格，但可以是不同官方或非官方风格的混合

您可以浏览参考资料并查看全文，也可以将其导出为尾注文件（.ENL）。我开发此工具仅适用于数百种标题的较小列表。如果粘贴一个包含1000个以上标题的列表，它将运行得慢得多。

Answer 5

您可以尝试查看索引/搜索库，例如Lucene