DOI系统对合理标识符的构成基本上没有任何有用的限制。但是，能够从 PDF、网页等中提取 DOI 对于引文信息等非常有用。
有没有一种可靠的方法来识别文本块中的 DOI 而无需假设“doi:”前缀？（任何可接受的语言，首选正则表达式，并且必须避免误报）
Kai
问问题
12654 次
7 回答
61
好的，我目前正在从自由格式文本 (XML) 中提取数千个 DOI，我意识到我以前的方法存在一些问题，即关于编码实体和尾随标点符号，所以我继续阅读规范，这是我最好的可以来。
DOI 前缀应由一个目录指示符和一个注册者代码组成。这两个组件应由句号（句号）分隔。
目录指示符应为“10”。目录指示符将整个字符串集（前缀和后缀）区分为解析系统中的数字对象标识符。
很简单，首字母会\b阻止我们“匹配”不以 开头的“DOI” 10.：
$pattern = '\b(10[.]';
DOI 前缀的第二个元素是注册人代码。注册人代码是分配给注册人的唯一字符串。
此外，所有分配的注册人代码都是数字，并且长度至少为 4 位，因此：
$pattern = '\b(10[.][0-9]{4,}';
如果需要，为了管理方便，注册人代码可以进一步划分为子元素。注册人代码的每个子元素之前都应有句号。
$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。
但是，这不是绝对必要的，第 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代替10.1000/123456），但让我们稍微松懈一下。
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/';
DOI 号不区分大小写，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。每个后缀对于它之前的前缀元素应该是唯一的。唯一的后缀可以是一个序列号，或者它可能包含从另一个系统生成或基于另一个系统的标识符。
现在这是变得更棘手的地方，从我处理的所有 DOI 中，我[0-9a-zA-Z]在它们的后缀中看到了以下字符（当然，除了） ：.-()/:--- 所以，虽然它不存在，但 DOI10.1016.12.31/nature.S0735-1097(98)2000/12/31/34:7-7是完全合理的。
合乎逻辑的选择是使用\SPCRE [[:graph:]]POSIX 类，所以让我们这样做：
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/\S+'; // or
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/[[:graph:]]+';
现在我们有一个难题，[[:graph:]]该类是该类的超集[[:punct:]]，其中包括在自由文本或任何标记语言中容易找到的字符："'&<>等等。
现在让我们使用负前瞻过滤标记：
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])\S)+'; // or
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])[[:graph:]])+';
以上内容应涵盖编码实体 ( &)、属性引号 ( ["']) 和打开/关闭标签 ( [<>])。
与标记语言不同，自由文本通常不使用标点符号，除非它们以至少一个空格为界或放置在句子的末尾，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声明另一个单词边界：
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])\S)+)\b'; // or
$pattern = '\b(10[.][0-9]{4,}(?:[.][0-9]+)*/(?:(?!["&\'<>])[[:graph:]])+)\b';
瞧，这是一个演示。
于 2012-04-25T22:35:52.637 回答
19
CrossRef 有一个建议，他们成功地测试了 99.3% 的 DOI（他们知道）：
/^10.\d{4,9}/[-._;()/:A-Z0-9]+$/i
于 2018-01-30T14:41:43.907 回答
14
@Silas 健全性检查是个好主意。但是，正则表达式并未涵盖所有 DOI。第一个元素（当前）必须是 10，第二个元素（当前）必须是数字，但第三个元素几乎没有限制：
“合法字符是Unicode的合法图形字符。这里专门排除控制字符范围0x00-0x1F和0x80-0x9F...”
这就是真正的问题所在。在实践中，我从未见过使用空格，但规范特别允许使用它。基本上，似乎没有一种明智的方法来检测 DOI 的结束。
于 2008-08-27T09:04:36.743 回答
4
我确信此时它对 OP 没有太大帮助，但我想我会发布我正在尝试的内容，以防像我这样的其他人偶然发现这一点：
(10.(\d)+/(\S)+)
这匹配：“10 点数字斜线任何非空白”
但是对于我的使用（抓取 HTML），这是发现误报，所以我必须匹配上面的内容，加上去掉引号和大于/小于：
(10.(\d)+/([^(\s\>\"\<)])+)
我仍在测试这些，但到目前为止我感到充满希望。
于 2009-12-09T19:58:55.460 回答
3
这是我的尝试：
(10[.][0-9]{4,}[^\s"/<>]*/[^\s"<>]+)
还有一些有效的边缘情况不会失败，但其他人似乎会这样做：
10.1007/978-3-642-28108-2_1910.1007.10/978-3-642-28108-2_19（虚构的例子，见@Ju9OR 评论）10.1016/S0735-1097(98)00347-710.1579/0044-7447(2006)35\[89:RDUICP\]2.0.CO;2
此外，正确丢弃一些虚假的 (X|HT)ML 内容，例如：
<geo coords="10.4515260,51.1656910"></geo>
于 2012-04-24T14:40:56.110 回答
2
这是一个非常古老且已回答的问题，但这是另一个潜在的替代品。
\b10\.(\d+\.*)+[\/](([^\s\.])+\.*)+\b
这假设空白不是 DOI 的一部分。
尚未对此进行误报测试，但它似乎能够找到此页面中提到的所有边缘情况。
于 2014-06-16T14:43:05.367 回答
1
以下正则表达式应该可以完成这项工作（Perl 正则表达式语法）：
/(10\.\d+\/\d+)/
您可以通过打开网址进行一些额外的健全性检查
http://hdl.handle.net/<doi>
和
http://dx.doi.org/<doi>
候选人doi在哪里，
并测试您 a) 获得 200 OK http 状态，b) 返回的页面不是服务的“DOI not found”页面。
于 2008-08-27T06:51:20.747 回答