请求编写正则表达式提取科学PDF参考文献的作者与标题

嘿，我之前刚好处理过类似的科学文献参考文献提取需求——这类格式虽然五花八门，但抓准规律用正则还是能搞定的。下面我分常见格式给你拆解方案，还有可直接用的代码示例：

先明确核心规律 #

科学文献的参考文献不管是APA、MLA还是IEEE格式，基本结构都是：作者列表 → 年份/标点 → 标题 → 出版物信息。我们的正则就是要精准定位这两块内容。

针对不同格式的正则表达式 #

1. APA格式（最常见） #

示例条目：

Smith, J. D., & Johnson, A. B. (2020). The impact of climate change on coral reefs. Marine Biology Quarterly, 45(2), 123-145.

正则表达式：

^([\w\s,.&-]+?)\s*\((\d{4})\)\.\s*([^.]+)\.\s*.*$

• 捕获组1：作者部分（匹配姓名、缩写点、逗号、&符号，非贪婪模式避免过度匹配）
• 捕获组3：标题部分（匹配到下一个句号为止，因为APA格式标题后直接跟句号）

2. MLA格式 #

示例条目：

Smith, John Doe, and Anna Brown. "The impact of climate change on coral reefs." Marine Biology Quarterly 45.2 (2020): 123-145.

正则表达式：

^([\w\s,.&-]+?)\.\s*["“]([^"”]+)["”]\.\s*.*$

• 捕获组1：作者部分（匹配到第一个句号为止）
• 捕获组2：标题部分（匹配引号内的内容，兼容中文引号“”）

3. IEEE格式 #

示例条目：

J. D. Smith and A. B. Johnson, "The impact of climate change on coral reefs," Marine Biology Quarterly, vol. 45, no. 2, pp. 123-145, 2020.

正则表达式：

^([\w\s,.&-]+?)\,\s*["“]([^"”]+)["”]\,\s*.*$

• 捕获组1：作者部分（匹配到第一个逗号为止）
• 捕获组2：标题部分（匹配引号内的内容）

关键注意事项 #

• 处理斜体标题：如果你的PDF解析文本里斜体是用*包裹的（比如*Marine Biology Quarterly*），可以把标题匹配部分改成\*([^*]+)\*来精准定位。
• 避开交叉引用：一定要先定位到参考文献列表的起始位置（比如找到“References”或“参考文献”标题），只在这个区域内应用正则，避免匹配正文里的交叉引用（比如[1]、[Smith 2020]）。
• 非贪婪模式：正则里的+?是非贪婪匹配，能防止作者/标题部分不小心匹配到后面的出版物信息。

实际代码示例（Python） #

我写了个小脚本，能同时匹配上面三种格式，你可以直接套用：

import re

# 替换成你的参考文献文本
reference_text = """
Smith, J. D., & Johnson, A. B. (2020). The impact of climate change on coral reefs. Marine Biology Quarterly, 45(2), 123-145.
J. D. Smith and A. B. Johnson, "The impact of climate change on coral reefs," Marine Biology Quarterly, vol. 45, no. 2, pp. 123-145, 2020.
Smith, John Doe, and Anna Brown. "The impact of climate change on coral reefs." Marine Biology Quarterly 45.2 (2020): 123-145.
"""

# 组合三种格式的正则
ref_patterns = [
    r'^([\w\s,.&-]+?)\s*\(\d{4}\)\.\s*([^.]+)\.\s*.*$',  # APA
    r'^([\w\s,.&-]+?)\.\s*["“]([^"”]+)["”]\.\s*.*$',    # MLA
    r'^([\w\s,.&-]+?)\,\s*["“]([^"”]+)["”]\,\s*.*$'     # IEEE
]

# 逐行处理参考文献
for line in reference_text.strip().split('\n'):
    line_clean = line.strip()
    for pattern in ref_patterns:
        match_result = re.match(pattern, line_clean)
        if match_result:
            authors = match_result.group(1).strip()
            title = match_result.group(2).strip()
            print(f"📝 作者: {authors}\n   标题: {title}\n---")
            break

如果你的参考文献有特殊格式（比如中文文献、非标准排版），可以给我几条示例条目，我再帮你调整正则~

内容的提问来源于stack exchange，提问作者rabbitdoubt