Chcę napisać skrypt, aby zmienić nazwę pobranych dokumentów z ich tytułami automatycznie, zastanawiam się, czy jest jakaś biblioteka lub sztuczki, z których mogę skorzystać? Wszystkie pliki PDF są generowane przez TeX i powinny mieć pewne "formalne" struktury.Wyodrębnianie tytułów z plików PDF?
można spróbować użyć pyPdf i this example.
na przykład:
from pyPdf import PdfFileWriter, PdfFileReader
def get_pdf_title(pdf_file_path):
with open(pdf_file_path) as f:
pdf_reader = PdfFileReader(f)
return pdf_reader.getDocumentInfo().title
title = get_pdf_title('/home/user/Desktop/my.pdf')
pewnie ruszy z Perl (widząc, jak to zawsze pierwszą rzeczą sięgam). Istnieje several modules for handling PDFs. Jeśli masz spójną strukturę, możesz użyć regex do zaczepienia tytułów.
Zakładając te wszystkie papiery są z arXiv, można zamiast wydobyć id arXiv (Przypuszczam, że poszukiwania "arXiv:" w tekście PDF konsekwentnie ujawni identyfikator jako pierwsze trafienie).
Po uzyskaniu numeru arXiv (i zrobili pip install arxiv), można uzyskać tytuł korzystając
paper_ref = '1501.00730'
arxiv.query(id_list=[paper_ref])[0].title
Skąd tytuł pliki PDF? Czy te informacje muszą zostać wyodrębnione z właściwości dokumentu PDF lub z treści PDF lub czy wyodrębniłeś te informacje z innego źródła? – Rowan
Możliwy duplikat [Wyodrębnianie informacji z plików PDF z prac badawczych] (http://stackoverflow.com/questions/1813427/extracting-information- from-pdfs-of-research-papers) – Seanny123