Я хочу написать script, чтобы автоматически переименовать загруженные документы с их заголовками, мне интересно, есть ли какая-нибудь библиотека или трюки, которыми я могу воспользоваться? Все файлы PDF генерируются TeX и должны иметь некоторые "формальные" структуры.
Вы можете попытаться использовать pyPdf и этот пример.
, например:
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')
Я бы, наверное, начинал с perl (видя, что это всегда первое, что я достигаю). Существуют несколько модулей для обработки PDF файлов. Если у вас есть согласованная структура, вы можете использовать регулярное выражение для удержания заголовков.
Предполагая, что все эти документы взяты из arXiv, вы могли бы извлечь идентификатор arXiv (я бы предположил, что поиск "arXiv:" в тексте PDF будет постоянно показывать идентификатор как первый хит).
Как только у вас есть ссылочный номер arXiv (и выполнил pip install arxiv), вы можете получить заголовок, используя
paper_ref = '1501.00730'
arxiv.query(id_list=[paper_ref])[0].title