我想整理从 Internet 下载的 pdf 文件。很明显，他们中的许多人名不副实。我想从文件中提取真正的标题。这里有很多是从 Latex 生成的，我认为从编译的 pdf 中我们可以找到 \title{} 关键字或类似的东西。然后我想用它来重命名文件。
我可以使用 pypdf 读取元数据。但大多数 pdf 在其元数据中不包含该标题。我用我所有的收藏都试过了，但没有找到！
两个问题： 1.是否可以读取从latex编译的pdf编译的pdf标题。 2. 我可以使用哪个库（主要是 C/C++、java、python）来获取这些信息。
提前致谢。
【问题讨论】：
我认为这是不可能的。 LaTeX 信息不再出现在 pdf 中。如果元数据中不存在标题，如果它是“标记的 pdf”，您可能可以从结构信息中推断出标题。然而，大多数 pdf 不是，而且那些可能会提供元数据。
这留给您布局分析：尝试通过查看布局特征来确定文档的标题。对于 python，你可能想看看pdfminer。 以下示例使用 pdfminer 来确定标题，使用了一种相当简单的方法：
正如我所说：这种方法相当简单，可能会或可能不会为您的文档提供良好的结果，但它可能会为您指明正确的方向。就是这样：
import sys
import re
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox
filename = sys.argv[1]
fp = open(filename, 'rb')
parser = PDFParser(fp)
doc = PDFDocument()
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize()
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interp = PDFPageInterpreter(rsrcmgr, device)
pages = doc.get_pages()
first_page = pages.next()
interp.process_page(first_page)
layout = device.get_result()
textboxes = [i for i in layout if isinstance(i, LTTextBox)]
box_with_tallest_line = max(textboxes, key=lambda x: max(i.height for i in x))
text = box_with_tallest_line.get_text()
print re.sub('\s+', ' ', text).strip()
我将重命名文件留给您（请注意，标题可能包含您可能不想要的字符，或者甚至在文件名中无效的字符）。 Pdfminer 文档目前相当稀少，因此如果您需要了解更多信息，您可能想在邮件列表中询问。 （我自己对此不太了解，但忍不住尝试 ;-)）。或者您可以尝试使用其他 pdf 库/其他语言的类似方法。
【讨论】：
在 python 中，最好的办法是查看pyPdf（Debian 软件包：python-pypdf）。这是一些代码：
import pyPdf, sys
filename=sys.argv[1]
i=pyPdf.PdfFileReader(open(filename,"rb"))
d=i.getDocumentInfo()
print d["/Title"]
不过，根据我的经验，很少有 PDF 设置了“/Title”属性，因此您的使用范围可能会有所不同。在这种情况下，您将不得不从内容中猜测标题，这势必容易出错。 pyPdf 也可以帮助您。
【讨论】：
试试iText (Java)。我找到了这个例子，试试看（如果支持，你可以添加泛型）：
PdfReader reader = new PdfReader("yourpdf.pdf");
HashMap map= reader.getInfo();
Set keys = map.keySet();
Iterator i = keys.iterator();
while(i.hasNext()) {
String thiskey = (String)i.next();
System.out.println(thiskey + ":" + (String)map.get(thiskey));
}
【讨论】：
C++ 的另一个选择是 Poppler。
我过去曾尝试做类似的事情（并在这里寻求建议： Extracting text from PDF with Poppler (C++) ）但从未真正让它工作。最终我意识到，至少对于我的使用而言，手动重命名文件更容易。
【讨论】：
我找到的重命名 PDF 文件的最佳解决方案不仅仅是标题，而且您需要在 pdf 文件中的任何文本都是 A-PDF rename 应用程序，它对我尝试过的所有文件都非常有效。
【讨论】：