从PDF文件提取标题？

Question

我想写一个脚本，自动把下载的论文用它们的标题来重命名。我在想有没有什么库或者技巧可以用上？这些PDF文件都是通过TeX生成的，应该有一些“正式”的结构。

Answer 1

我可能会先用perl（因为我总是先想到这个）。有一些处理PDF文件的模块可以使用。如果你的PDF文件结构比较一致的话，可以用正则表达式来提取标题。

Answer 2

假设这些论文都是来自arXiv，你可以提取出arXiv的编号（我猜在PDF的文本中搜索“arXiv:”会一直找到这个编号，通常它是第一个出现的）。

一旦你得到了arXiv的参考编号（并且安装了pip install arxiv），你就可以用下面的代码获取论文的标题：

paper_ref = '1501.00730'
arxiv.query(id_list=[paper_ref])[0].title

Answer 3

你可以试着使用 pyPdf 这个库，还有 这个例子。

比如说：

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')