在文档或页面中查找DOI

Question

对于构成a reasonable identifier的内容，DOI系统基本上没有任何有用的限制。然而，能够从PDF、网页等中提取DOI对于引用信息等非常有用。

有没有一种可靠的方法可以在不使用“DOI：”前缀的情况下识别文本块中的doi？(任何语言都可以接受，最好使用正则表达式，并且必须避免误报)

Answer 1

好吧，我目前正在从自由格式文本中提取成千上万的DOIs，我意识到my previous approach有一些问题，即关于编码实体和尾随标点符号，所以我继续阅读the specification，这是我能想到的最好的。

DOI前缀应由目录指示符和注册者代码组成。这两个部分应用句号(句点)分隔。

目录指示器应为"10“。目录指示符将整个字符串集合(前缀和后缀)区分为解析系统内的数字对象标识符。

非常简单，初始\b阻止我们“匹配”一个不是以10.开头的"DOI“

$pattern = '\b(10[.]';

DOI前缀的第二个元素应为注册人代码。注册者代码是分配给注册者的唯一字符串。

此外，所有分配的注册人代码都是数字，长度至少为4位，因此：

$pattern = '\b(10[.][0-9]{4,}';

如果需要，为了管理方便，注册者代码可以进一步划分为子元素。注册人代码的每个子元素前面应有一个句号。

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*';

DOI语法应由DOI前缀和DOI后缀组成，由正斜杠分隔。

然而，这并不是绝对必要的，2.2.3节指出，不常见的后缀系统可以使用其他约定(例如10.1000.123456而不是10.1000/123456)，但让我们稍微放松一下。

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/';

是不区分大小写的，可以包含Unicode合法图形字符中的任何可打印字符。DOI后缀应由注册人选择的任意长度的字符串组成。每个后缀对于它前面的前缀元素应该是唯一的。唯一后缀可以是序列号，也可以包含从另一个系统生成或基于另一个系统生成的标识符。

这就是更棘手的地方，从我处理过的所有DOI中，我在它们的后缀：.-()/:-中看到了以下字符(当然除了[0-9a-zA-Z]之外) --所以，虽然它不存在，但是DOI 10.1016.12.31/nature.S0735-1097(98)2000/12/31/34:7-7是完全可信的。

合理的选择是使用\S或[[:graph:]] PCRE POSIX类，因此让我们这样做：

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/\S+'; // or

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/[[:graph:]]+';

现在我们有一个困难的问题，[[:graph:]]类是[[:punct:]]类的超集，它包括在自由文本或任何标记语言中很容易找到的字符："'&<>等。

现在让我们先使用一个负向先行来过滤标记：

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])\S)+'; // or

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])[[:graph:]])+';

上面应该包括编码实体(&)、属性引号(["'])和开始/结束标记([<>])。

与标记语言不同，自由文本通常不使用标点符号，除非标点符号被放置在句子末尾的至少一个空格或所限定，例如：

这是一个很长的DOI：10.1016.12.31/nature.S0735-1097(98)2000/12/31/34:7-7!!!

这里的解决方案是关闭我们的捕获组，并断言另一个单词边界：

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])\S)+)\b'; // or

$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])[[:graph:]])+)\b';

瞧，])\S)+)\b&input=This is a short DOI: 10.1000/123456. This is NOT a DOI: 4210.1000/123456. This is a long DOI: 10.1016.12.31/nature.S0735-1097(98)2000/12/31/34:7-7!!! 10.1007/978-3-642-28108-2_19 10.1007.10/978-3-642-28108-2_19 (fictitious example, see @Ju9OR comment) 10.1016/S0735-1097(98)00347-7 10.1579/0044-7447(2006)35\[89:RDUICP\]2.0.CO;2 Also, correctly discards some falsy (X|HT)ML stuff like: )">here is a demo。

Answer 2

CrossRef has a recommendation，他们成功地在99.3%的DOI上进行了测试(他们知道)：

/^10.\d{4,9}/[-._;()/:A-Z0-9]+$/i

Answer 3

@Silas的健全性检查是个好主意。然而，正则表达式并不能覆盖所有的DOIs。第一个元素必须(当前)为10，第二个元素必须(当前)为数字，但第三个元素几乎不受任何限制：

“合法字符是Unicode的合法图形字符。这特别不包括控制字符范围0x00-0x1F和0x80-0x9F...”

这才是真正的问题所在。在实践中，我从未见过空格的使用，但规范特别允许这样做。基本上，似乎没有一种明智的方法来检测DOI的结束。