解析PDF并获取头部分信息

Question

我试图解析PDF的内容。基本上是科研论文。

下面是我想要抓住的那部分：

​

​

我只需要书名和作者的名字。

我用的是PDF解析库。我能够使用以下代码获取标题部分文本：

function get_pdf_prop( $file )
{
    $parser = new \Smalot\PdfParser\Parser();
    $pdf    = $parser->parseFile( $file );

    $details  = $pdf->getDetails();

    $page = $pdf->getPages()[0];

    //-- Extract the text of the first page
    $text = $page->getText();
    $text = explode( 'ABSTRACT', $text, 2 );    //-- get the text before the "ABSTRACT"
    $text = $text[0];

    //-- split the lines
    $lines = explode( "\n", $text );

    return array(
        'total_pages'   => $details['Pages'],
        'paper_title'   => $lines[0] . $lines[1],
        'author'        => $lines[2]
    );
}

我所做的是，解析第一页的全文，然后以纯文本的形式返回整个文本。由于所需内容位于单词ABSTRACT之前，所以我尝试拆分文本，然后拆分行。

我假设前两行是标题，第三行是作者的名字。到目前为止，就像我在上面的截图中所展示的那样，论文给出了正确的结果。

但是，在下列情况下会出现问题：

1. 如果纸标题是单行的话，我就不知道了。因此，我的代码将始终返回前两行纸瓦片。这可能会同时给出标题和作者名为paper_title
2. 如果纸标题是三行，这将再次提出问题。
3. 如果有一个以上的作者，那么我的代码将不会返回正确的数据。

那么，对于如何有效地从PDF科学论文中获取像论文标题和作者姓名这样的数据，有什么建议吗？我确信在使用LateX工具创建PDF时，它们都遵循相同的模式。有更好的解决办法或线索吗？

请注意，我试图在我的网站上传的文件上这样做。并使用PHP作为服务器端语言。

谢谢

Answer 1

您可以尝试使用PDF元数据来检索所需的“字段”(作者、标题、其他.)。我随机尝试了几篇科学论文，它们都有(至少)用于网页、作者和标题的元数据。

PDF解析文档展示了如何做到这一点：

<?php

// Include Composer autoloader if not already done.
include 'vendor/autoload.php';

// Parse pdf file and build necessary objects.
$parser = new \Smalot\PdfParser\Parser();
$pdf    = $parser->parseFile('document.pdf');

// Retrieve all details from the pdf file.
$details  = $pdf->getDetails();

// Loop over each property to extract values (string or array).
foreach ($details as $property => $value) {
    if (is_array($value)) {
        $value = implode(', ', $value);
    }
    echo $property . ' => ' . $value . "\n";
}

?>

随机抽取的纸张(var_dump($details))的样本输出：

array(7) {
  ["Author"]=>
  string(18) "Chris Fraley et al"
  ["CreationDate"]=>
  string(25) "2011-06-23T19:20:24+01:00"
  ["Creator"]=>
  string(26) "pdftk 1.41 - www.pdftk.com"
  ["ModDate"]=>
  string(25) "2019-07-11T14:56:29+02:00"
  ["Producer"]=>
  string(45) "itext-paulo-155 (itextpdf.sf.net-lowagie.com)"
  ["Title"]=>
  string(38) "Probabilistic Weather Forecasting in R"
  ["Pages"]=>
  int(9)
}