我想从 pdf 论文中提取作者姓名。有人知道这样做的可靠方法吗？
例如，我想从这个 pdf https://arxiv.org/pdf/1111.1648 中提取名称 Archana Shukla
【问题讨论】：
标签： python pdf nlp named-entity-recognition information-extraction
PDF 文档包含元数据。它包括有关文档及其内容的信息，例如作者姓名、关键字、版权信息。请参阅 Adobe doc。
您可以使用PyPDF2 提取PDF 元数据。请参阅有关 the DocumentInformation class 的文档。
此信息可能未填写，可能显示为空白。因此，一种可能性是解析文本的开头或结尾并提取您认为是作者姓名的内容。当然，这并不可靠。但是，如果您有书目数据库，可以尝试匹配。
如今，Microsoft Word 或 Libre Office Writer 等编辑器总是在元数据中填写作者姓名。当您导出文档时，它会复制到 PDF 中。所以，这应该适合你。试试看，告诉我们！
【讨论】：
我要预先假设你有办法extract text from a PDF document，所以问题真的是“我怎样才能从这篇文章中找出作者”。我认为一种直接的解决方案是使用通信电子邮件。这是一个示例实现：
import difflib
# Some sample text
pdf_text="""SENTIMENT ANALYSIS OF DOCUMENT BASED ON ANNOTATION\n
Archana Shukla\nDepartment of Computer Science and Engineering,
Motilal Nehru National Institute of Technology,
Allahabad\narchana@mnnit.ac.in\nABSTRACT\nI present a tool which
tells the quality of document or its usefulness based on annotations."""
def find_author(some_text):
words = some_text.split(" ")
emails = []
for word in words:
if "@" in word:
emails.append(word)
emails_clean = emails[0].split("\n")
actual_email = [a for a in emails_clean if "@" in a]
actual_email = actual_email[0]
maybe_name = actual_email.split("@")[0]
all_words_lists = [a.split("\n") for a in words]
words = [a for sublist in all_words_lists for a in sublist]
words.remove(actual_email)
return difflib.get_close_matches(maybe_name, words)
在这种情况下，find_author(pdf_text) 返回['Archana']。这不是完美的，但也不是不正确的。我认为您可能会以一些巧妙的方式扩展它，可能是通过在结果之后获取下一个单词，或者通过将此猜测与元数据相结合，或者甚至通过在文档中找到 DOI（如果/当它存在）并通过一些 API 查找它，但我认为这应该是一个很好的起点。
【讨论】：
dfflib 的单词相似度解决方案来自this answer，针对此问题的上下文进行了修改。
首先，有一些 pdf 文件，其中页面是图像。我不知道您是否可以轻松地从图像中提取文本。但是从您提到的pdf链接中，我认为可以做到。存在一个名为 PyPDF2 的包，据我所知，它可以从 pdf 中提取文本。剩下的就是扫描最后几页并解析作者姓名。
关于如何使用here 描述的包的示例。其中列出的部分代码如下：
import PyPDF2
pdfFileObj = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
disp(pdfReader.numPages)
pageObj = pdfReader.getPage(0)
pageObj.extractText()
【讨论】：