基于PDFBox抽取学术论文信息的实现

• 作者: 牛永洁 薛苏琴
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 数据挖掘 信息抽取 PDF格式 学术论文
• 年，卷（期）: 2014,（12）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 61-63,68
• 页数: 4页
• 分类号: TP39
• 字数: 2033字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2014.12.015

摘要

为了对学术动态、热点及学术发展趋势进行研究，需要对学术研究论文进行数据挖掘研究。首先需要从海量的学术论文中提取有兴趣的信息。针对目前学术论文大多采用PDF格式的现状，重点研究了PDF文件的格式以及对PDF格式操作的各种技术，采用开源函数库PDFBox对PDF格式的学术论文按照规则进行信息的提取，提取的信息主要包括学术论文的标题、作者、单位、关键词、发表时间、摘要等信息。最后对提取信息的正确率进行了统计，有助于针对学术研究的大数据研究。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛苏琴	延安大学数学与计算机学院	28	112	6.0	9.0
2	牛永洁	延安大学数学与计算机学院	50	329	9.0	15.0