如何在pdf文件中查找首字母缩略词答案

【问题标题】：How to find acronyms in a pdf file如何在pdf文件中查找首字母缩略词
【发布时间】：2013-07-17 15:15:40
【问题描述】：

在我的论文中，我需要添加一个首字母缩略词列表。我想知道它是如何编程的。我找到了不错的实用程序pdfgrep，它也可以获取正则表达式。我是这样使用的：

pdfgrep "([A-Z]+)" thesis.pdf

这是我为此目的找到的最好的正则表达式，尽管它也有单个大写字母。有没有人有更好的解决方案？我写了一个处理输出的 Python 代码：

import subprocess 
import shlex
import re

FOLDER = 'full folder'
THESIS = '%s/thesis.pdf'%(FOLDER)
OUTPUT_FILE = '%s/acronymsInMyThesis.txt'%(FOLDER)
PATTERN = '([A-Z]+)'

def searchAcronymsInPDF():
    output = pdfSearch()
    acrs = []
    for reg in re.findall(PATTERN, output):
        reg.strip()
        if (len(reg)>1):
            acrs.append(reg)
    return set(acrs)

def pdfSearch():
    command = 'pdfgrep "%s" %s'%(PATTERN,THESIS)
    output = shellCall(command)
    return output

def shellCall(command):
    p = subprocess.Popen(shlex.split(command), stdout=subprocess.PIPE)
    out, _ = p.communicate()
    return out

if __name__ == '__main__':
    acrs = searchAcronymsInPDF()
    print(acrs)

【问题讨论】：

[A-Z][A-Z]+?还是[A-Z]{2,}？你的缩写是什么？是S.H.I.E.L.D.？是ToC？
这是个好问题。我决定这将是至少 2 个大写字母的序列。但是，正如你提到的，它不会赶上 ToC。

标签： python regex grep acronym

【解决方案1】：

首字母缩略词（我相信您的情况）仅是大写字母。那么你所要添加的就是

PATTERN = '[A-Z][A-Z]+'

这将检查至少 2 个大写字母。

【讨论】：

【解决方案2】：

正如 m.buettner 所问，答案很大程度上取决于您认为首字母缩写词是什么。

作为一般建议，您可以使用[A-Z]{2,}|([A-Z].){2,}[A-Z]?，它将匹配以下内容：

AS | ASD | etc. (two or more)
A.S. | A.S.D. | etc. (two or more letters+period, ending with period)
A.S.D | A.S.D.F | etc. (two or more letters+period, ending without period)

更新：

另一个建议（以“ToC”为例）是[A-Z][a-zA-Z]*[A-Z]，它匹配以大写开头和结尾的字符串：ToC、TOC、WOW、WoW、TOoTS 等。

【讨论】：

【解决方案3】：

我会选择([A-Z][a-zA-Z0-9+\.\&]*[A-Z0-9])\W，这应该可以通过允许小写的任何组合来捕捉 WoW W8 P&L、P+P 等。

我也强烈考虑使用PyEnchant，因为它可以让您查看您的可疑首字母缩写词是否在指定的字典中。

【讨论】：