PDFX服务无法访问 咨询学术PDF转结构化XML的替代方案

原PDFX公开服务状态 #

曼彻斯特大学维护的PDFX公开接口http://pdfx.cs.man.ac.uk/已正式下线，目前不再对外提供公开访问服务。如果此前你已经部署过PDFX的开源本地版本，仍可以在本地环境正常使用对应功能。

可替代的学术文档结构重构方案 #

• GROBID：基于机器学习的学术文档专用解析工具，支持将PDF转换为结构化XML或JSON格式，可精准识别标题、章节层级、图表、参考文献、作者及所属机构等多维度逻辑结构，支持本地部署，也有封装完成的Python开发套件可直接调用，整体解析准确率优于传统规则驱动类工具。
• CERMINE：专门面向学术出版物的内容抽取工具，支持批量处理PDF格式论文，输出包含完整逻辑结构的结构化文档，支持本地部署和接口调用，对小语种、非标准排版的学术文献适配性更强。
• PyPDF2+自定义规则组合：如果你的需求场景比较简单，仅需要抽取章节标题、正文等基础结构，可通过PyPDF2读取PDF文本内容后，结合字体大小、段落间距等排版特征自定义识别规则，无需依赖第三方在线服务，灵活度更高。
• 自定义标注训练方案：如果有特定领域的大量学术文档处理需求，可先通过标注工具完成自有文档的结构标注，训练适配业务场景的自定义信息抽取模型，满足特殊格式的结构解析要求。

如果你需要和原PDFX调用逻辑一致的替代方案，本地部署GROBID后可使用如下Python代码完成调用：

import requests
# 本地部署GROBID后默认接口地址
url = "http://localhost:8070/api/processFulltextDocument"
files = {"input": open("待处理论文路径.pdf", "rb")}
response = requests.post(url, files=files)
# 结构化结果可通过response.text获取

内容的提问来源于stack exchange，提问作者Ignasi