我需要一种从 PDF 文档中提取书目元数据的机制，以节省人们手动输入或剪切和粘贴它的时间。
至少，标题和摘要。作者名单和他们的隶属关系会很好。提取参考文献将是惊人的。
理想情况下，这将是一个开源解决方案。
问题是并非所有的 PDF 都对文本进行编码，而且许多 PDF 确实无法保留文本的逻辑顺序，因此只需执行 pdf2text 即可为您提供第 1 列的第 1 行、第 2 列的第 1 行、第 1 列的第 2 行等。
我知道有很多图书馆。它在我需要解决的文档上识别摘要、标题作者等。这永远不可能每次都实现，但 80% 将节省大量人力。
每次发布我只允许一个链接，所以就是这样： pdfinfo Linux 手册页
这可能会得到标题和作者。查看手册页的底部，有一个指向 www.foolabs.com/xpdf 的链接，可以在其中找到该程序的开源以及各种平台的二进制文件。
要提取参考书目，请查看cb2bib：
cb2Bib 是一个免费、开源和多平台的应用程序，用于从电子邮件警报、期刊网页和 PDF 文件中快速提取未格式化或未标准化的书目参考。
您可能还想查看讨论该主题的 www.zotero.org 上的论坛。
2010 年 2 月，我们在伦敦的 Dev8D 举办了一场比赛来解决这个问题，结果我们得到了一个不错的 GPL 小工具。我们还没有将它集成到我们的系统中，但它就在世界上。
可能有点简单，但谷歌搜索“bibtex + 论文标题”通常会从 ACM、Citeseer 或其他此类参考跟踪站点为您提供格式化的 bibtex 条目。当然，这是假设论文不是来自非计算机期刊：D
- 编辑 -
我有一种感觉，您不会为此找到自定义解决方案，您可能想写信给 citeseer、ACM 和谷歌学者等引文跟踪器，以获取他们所做工作的想法。还有很多其他的，您可能会发现它们的实现不是封闭源代码，而是以已发布的形式。有大量关于该主题的研究材料。
我所在的研究团队已经研究了这些问题，我们得出的结论是手写提取算法或机器学习是解决问题的方法。手写算法可能是你最好的选择。
由于可能的变化量，这是一个相当困难的问题。我建议将 PDF 规范化为文本（您可以从几十个程序化 PDF 库中的任何一个中获得）。然后，您需要实现自定义文本抓取算法。
我会从 PDF 的末尾开始向后看，看看存在什么样的引用键——例如，[1]、[author-year]、(author-year)，然后尝试解析下面的句子。您可能必须编写代码来规范化从库中获得的文本（删除额外的空格等）。我只会将引用键作为一行的第一个单词，并且每个文档仅查找 10 页——第一个单词必须有键分隔符——例如，'[' 或 '('。如果在10 页然后忽略 PDF 并将其标记为人工干预。
您可能需要一个库，您可以进一步以编程方式咨询以格式化引用中的元数据——例如，斜体具有特殊含义。
我认为您最终可能会花费相当长的时间来获得一个可行的解决方案，然后是一个不断调整和添加到报废算法/引擎的过程。
如果您需要快速了解它的功能，请查看TET Cookbook
这不是一个开源解决方案，但在我看来它是目前最好的选择。它不依赖于平台，具有丰富的语言绑定和商业支持。
如果有人向我指出等效或更好的开源替代方案，我会很高兴。
要提取文本，您将使用TET_xxx()函数并查询元数据，您可以使用pcos_xxx()函数。
您还可以使用命令行工具生成一个 XML 文件，其中包含您需要的所有信息。
tet --tetml word file.pdf
TET Cookbook中有关于如何使用XSLT处理 TETML 的示例
TETFL 中包含哪些内容？
TETML 输出以 UTF-8 编码（在带有 USS 或 MVS 的 zSeries 上：EBCDIC-UTF-8，请参阅 www.unicode.org/reports/tr16），并包括以下信息：一般文档信息和每页的元数据文本内容（字或段落） 字形信息（字体名称、大小、坐标） 结构信息，例如关于放置在页面上的图像的表格信息 资源信息，即字体、颜色空间和图像 如果在 PDF 处理过程中发生异常，则会出现错误消息
另一个要尝试的 Java 库是PDFBox。PDF 确实是为查看和打印而设计的，因此您肯定希望图书馆为您完成一些繁重的工作。即便如此，您可能还需要将文本片段重新粘合在一起，以获取您想要提取的数据。祝你好运！
刚刚找到pdftk ...太棒了，它包含 Win/Lin/Mac 的二进制发行版以及源代码。
事实上，我解决了我的另一个问题（查看我的个人资料，我问然后回答了另一个 pdf 问题 .. 由于 1 个链接限制，无法链接）。
它可以进行 pdf 元数据提取，例如，这将返回包含标题的行：
pdftk test.pdf dump_data output test.txt | grep -A 1 "InfoKey: Title" | grep "InfoValue"
它可以转储标题、作者、修改日期，甚至书签和页码（测试 pdf 有书签）......显然需要做一些工作才能正确 grep 输出，但我认为这应该符合您的需求。
如果您的 pdf 没有元数据（即没有“抽象”元数据），您可以使用 pdf2text 等不同的工具对文本进行分类，并使用上面的一些 grep 技巧。如果您的 pdf 不是 OCR，那么您遇到的问题要大得多，并且对 pdf 的临时查询会非常缓慢（最好是 OCR）。
无论如何，我建议您建立文档索引，而不是让每个查询都扫描文件元数据/文本。
看看iText。它是一个 Java 库，可让您阅读 PDF。您仍将面临寻找正确数据的问题，但该库将提供可用于推断目的的格式和布局信息。
PyPDF可能会有所帮助。它提供了广泛的 API 用于读取和写入 PDF 文件（未加密）的内容，并用简单的 Python 语言编写。
看看这篇研究论文 -使用条件随机场从研究论文中准确提取信息
您可能想使用像斯坦福 NER这样的开源包来开始使用 CRF。
或者，您可以尝试将它们（研究论文）导入Mendeley。显然，它应该为您提取必要的信息。
希望这可以帮助。
这是我使用 linux 和cb2bib 所做的。
对所有论文重复此操作。我认为在没有可靠地从 PDF 中提取元数据的方法的情况下，这是我找到的最简单的解决方案。
尽管 PDF 提供元数据，但它很少填充正确的内容。例如，通常“None”或“Adobe-Photoshop”或其他哑字符串代替标题字段。这就是为什么上述工具都不能从 PDF 中获取正确信息的原因，因为标题可能位于文档中的任何位置。另一个例子：许多会议论文集的论文可能还带有会议的标题，或者编者的名字，这会混淆自动提取工具。当你对论文的真正作者感兴趣时，结果就会大错特错。
所以我建议使用谷歌学者的半自动方法。
所以在现实生活中，这就是我所做的：
me@box> pdftotext 10.1.1.90.711.pdf - | head
Computational Geometry 23 (2002) 183–194
www.elsevier.com/locate/comgeo
Voronoi diagrams on the sphere ✩
Hyeon-Suk Na a , Chung-Nim Lee a , Otfried Cheong b,∗
a Department of Mathematics, Pohang University of Science and Technology, South Korea
b Institute of Information and Computing Sciences, Utrecht University, P.O. Box 80.089, 3508 TB Utrecht, The Netherlands
Received 28 June 2001; received in revised form 6 September 2001; accepted 12 February 2002
Communicated by J.-R. Sack
me@box> gscholar.py "Voronoi diagrams on the sphere Hyeon-Suk"
@article{na2002voronoi,
title={Voronoi diagrams on the sphere},
author={Na, Hyeon-Suk and Lee, Chung-Nim and Cheong, Otfried},
journal={Computational Geometry},
volume={23},
number={2},
pages={183--194},
year={2002},
publisher={Elsevier}
}
编辑：小心，你可能会遇到验证码。另一个很棒的脚本是bibfetch。