如何从pdf文件中可靠地提取作者姓名？

Question

我想从pdf文件中提取作者姓名。有人知道一种可靠的方法吗？在

例如，我想从这个pdf https://arxiv.org/pdf/1111.1648中提取名称Archana Shukla

Answer 1

PDF文档包含元数据。它包括有关文档及其内容的信息，如作者的姓名、关键字、版权信息。请参阅Adobedoc。在

您可以使用PyPDF2来提取PDF元数据。请参阅有关the DocumentInformation class的文档。在

此信息可能无法填写，可能会显示为空白。因此，一种可能是解析文本的开头或结尾，然后提取您认为的作者名。当然，这并不可靠。但是，如果你有书目数据库，可以尝试匹配。在

现在，像microsoftword或Libre Office Writer这样的编辑器总是在元数据中填写作者姓名。当您导出文档时，它会以PDF格式复制。所以，这应该对你有用。试试看，告诉我们！在

Answer 2

首先，有一些PDF文件是图像页面。如果我不能很容易地从图片中提取。但从你提到的pdf链接来看，我认为这是可以做到的。有一个名为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分析作者姓名。在

一个关于如何使用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()

Answer 3

我将预先假设你有办法extract text from a PDF document，所以问题是“我如何才能从这篇文章中找出作者”。我认为一个简单的解决办法是使用通信电子邮件。下面是一个实现示例：

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)

在本例中，find_author(pdf_text)返回['Archana']。这不是完美的，但也不是不正确的。我想你可以用一些聪明的方法来扩展它，也许是通过在结果后面得到下一个单词，或者将这个猜测与元数据结合起来，或者甚至是在文档中找到DOI，如果它存在的话，并通过一些API查找它，但是我认为这应该是一个很好的起点。在