如何用Python提取PDF论文的标题、作者及邮箱？

我目前通过PyPDF2读取PDF并提取原始文本，已经实现了移除换行、制表符的文本清理函数，也能轻松提取邮箱，但不确定如何高效提取优先级最高的标题和作者信息。以下是现有代码及文本示例，以及针对标题、作者的最优提取方法：

现有基础代码 #

PDF文本提取代码 #

from PyPDF2 import PdfReader
import re

reader = PdfReader("paper.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text() + "\n"

文本清理函数 #

def remove_newlines_tabs(text):
    """移除文本中的换行、制表符及转义字符"""
    # 替换各类换行、制表符和转义斜杠，修复可能拆分的邮箱后缀
    formatted_text = text.replace('\\n', ' ').replace('\n', ' ').replace('\t',' ').replace('\\', ' ').replace('. com', '.com')
    return formatted_text

文本示例 #

• 原始文本：

'Title\nGoes\nHere\nAuthor Name (sdsd@mail.net)\nUniversity of Teeyab\nSeptember 6, 2022\nSome text in the Document.\n'

• 清理后文本：

'Title Goes Here Author Name (sdsd@mail.net) University of Teeyab September 6, 2022 Some text in the Document. '

标题提取方法（优先级最高） #

论文标题通常位于PDF最开头的位置，且具有「原始文本中被换行拆分、清理后为连续短语、多为首字母大写或全大写」的特征，以下是两种可靠提取方案：

方案1：结合邮箱定位精准提取

利用邮箱通常在作者信息后的特性，反向定位标题范围：

def extract_title(formatted_text):
    # 先匹配邮箱位置
    email_match = re.search(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', formatted_text)
    if email_match:
        # 找邮箱所在括号的左边界，括号前为作者名，作者名前即为标题
        author_end = formatted_text.rfind('(', 0, email_match.start())
        if author_end != -1:
            return formatted_text[:author_end].strip()
        # 无括号时，取邮箱前的前8个连续词作为标题候选
        before_email_words = [word for word in formatted_text[:email_match.start()].split() if word]
        return ' '.join(before_email_words[:8])
    # 未匹配到邮箱时，直接取文本开头前8个词
    return ' '.join(formatted_text.split()[:8]) if formatted_text.split() else None

方案2：正则匹配标题格式特征

针对标题首字母大写的共性，用正则匹配开头的连续大写首字母单词：

def extract_title_regex(formatted_text):
    title_match = re.match(r'^([A-Z][a-zA-Z0-9\-:]+(\s+[A-Z][a-zA-Z0-9\-:]+){2,7})', formatted_text)
    return title_match.group(1).strip() if title_match else None

作者及邮箱提取方法 #

邮箱可直接用正则提取，作者名通常位于标题之后、邮箱之前，可结合邮箱位置反向定位：

def extract_author_and_email(formatted_text):
    emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', formatted_text)
    authors = []
    title = extract_title(formatted_text)
    
    for email in emails:
        email_start = formatted_text.find(email)
        # 定位邮箱所在括号的左边界
        left_paren = formatted_text.rfind('(', 0, email_start)
        if left_paren != -1:
            author = formatted_text[:left_paren].strip()
            # 排除标题部分干扰
            if title and author.startswith(title):
                author = author[len(title):].strip()
            authors.append(author)
        else:
            # 无括号时，取邮箱前3个词作为作者名候选
            before_email_words = formatted_text[:email_start].split()
            author = ' '.join(before_email_words[-3:]) if len(before_email_words)>=3 else ' '.join(before_email_words)
            authors.append(author.strip())
    
    return list(zip(authors, emails)) if authors and emails else []

整合使用示例 #

# 读取并清理文本
raw_text = text  # 此处为从PDF提取的原始文本
clean_text = remove_newlines_tabs(raw_text)

# 提取信息
title = extract_title(clean_text)
author_email_list = extract_author_and_email(clean_text)

# 输出结果
print(f"标题：{title}")
print("作者及邮箱：")
for author, email in author_email_list:
    print(f"- {author}: {email}")

注意事项 #

• 不同期刊PDF格式差异较大，上述方法基于通用论文格式适配，遇到特殊排版需调整正则或规则
• 若PyPDF2文本提取效果不佳，可替换为pdfplumber，它能更好保留排版结构，提升定位精准度

内容的提问来源于stack exchange，提问作者user309575