Konwertuj PDF na BIBTEX

Naukowcy otrzymują artykuły w formacie PDF, ale potrzebują rekordów .bib, aby cytować je w LaTeX, Overleaf lub współdzielonej bazie bibliograficznej. Przydatnym rezultatem są metadane bibliograficzne — autorzy, tytuł, dane publikacji i DOI — a nie konwersja układu stron PDF.

Pliki PDF i BibTeX

PDF (Portable Document Format) to format dokumentów o stałym układzie, utworzony przez Adobe i ustandaryzowany jako ISO 32000. Wydawcy, uniwersytety, firmy, skanery, aplikacje biurowe i przeglądarki internetowe korzystają z PDF, ponieważ zachowuje on wygląd dokumentu, czcionki, obrazy i numerację stron w różnych systemach.

Naukowy plik PDF może zawierać metadane dostarczone przez wydawcę, zaznaczalny tekst, DOI i osadzone informacje bibliograficzne. Skanowany plik PDF może zawierać wyłącznie obrazy stron, dlatego oprogramowanie musi najpierw zastosować OCR, a następnie wywnioskować metadane z rozpoznanego tekstu.

BibTeX to format bibliograficznej bazy danych w postaci zwykłego tekstu, używany w procesach pracy BibTeX i BibLaTeX w LaTeX. Przechowuje wpisy takie jak @article, @book i @inproceedings, wraz z polami obejmującymi author, title, journal, year, volume, pages, doi i url.

Konwencjonalnym rozszerzeniem jest .bib; chociaż niektóre programy akceptują .bibtex, używaj .bib, aby zapewnić najszerszą kompatybilność. Pliki BibTeX można edytować w edytorze tekstu, śledzić w Git, scalać z innymi bibliotekami i cytować za pomocą stabilnych kluczy, takich jak smith2024.

Wyodrębnianie rekordu za pomocą Zotero

Zotero to najbardziej praktyczna opcja desktopowa dla pojedynczych plików PDF z publikacjami naukowymi. Rozpoznaje artykuły na podstawie DOI, osadzonych metadanych, danych wydawcy lub dopasowania tytułu, a następnie eksportuje wynikowy rekord biblioteki jako BibTeX.

1. Przeciągnij plik paper.pdf do biblioteki Zotero.
2. Kliknij plik PDF prawym przyciskiem myszy i wybierz Retrieve Metadata for PDF. Zotero utworzy nadrzędny element bibliograficzny, jeśli rozpozna dopasowanie.
3. Porównaj utworzony element z pierwszą stroną pliku PDF oraz stroną docelową wydawcy lub DOI.
4. Kliknij nadrzędny element prawym przyciskiem myszy i wybierz Export Item…, następnie wybierz BibTeX i zapisz wynik na przykład jako references.bib. Aby wyeksportować wiele rekordów, umieść je w kolekcji i użyj opcji File → Export Library… lub wyeksportuj kolekcję.

Aby uzyskać automatyczne klucze cytowań oraz bardziej konfigurowalne dane wyjściowe BibTeX lub BibLaTeX, zainstaluj rozszerzenie Better BibTeX dla Zotero. Sprawdź wygenerowany klucz przed użyciem go w manuskrypcie, zwłaszcza gdy nazwiska autorów lub lata publikacji są niepełne.

cb2Bib to przydatna desktopowa alternatywa do wyodrębniania szczegółów cytowania z tekstu PDF lub skopiowanego tekstu. Jest najbardziej skuteczny, gdy plik PDF zawiera zaznaczalny tekst oraz wyraźny tytuł, wiersz autorów, DOI lub odwołanie do czasopisma; przejrzyj proponowany wpis przed zapisaniem go w bazie danych .bib.

JabRef może wyszukiwać metadane na podstawie DOI, ISBN, tytułu lub zaimportowanego pliku PDF, a następnie zapisać bibliotekę bezpośrednio jako bazę danych BibTeX. Wyszukiwanie metadanych jest lepsze niż ręczne przepisywanie cytowania, ale wynikowy wpis nadal wymaga weryfikacji.

Korzystanie z DOI i internetowych usług metadanych

Jeśli plik PDF zawiera DOI, użyj tego DOI zamiast przesyłać dokument do nieznanego konwertera. Wyszukaj DOI lub dokładny tytuł na stronie search.crossref.org, zweryfikuj autorów, publikację i rok, a następnie skopiuj lub pobierz cytowanie BibTeX. Metadane Crossref są dostarczane przez wydawców i agencje rejestracyjne, ale rekordy nadal mogą być niekompletne lub korygowane po publikacji.

Wiele rejestrów DOI obsługuje negocjację treści BibTeX. To polecenie bezpośrednio żąda rekordu BibTeX z resolvera DOI:

curl -L -H "Accept: application/x-bibtex" https://doi.org/10.1234/example > reference.bib

Zastąp przykładowy DOI DOI artykułu. Sprawdź wygenerowany plik, ponieważ klucz cytowania, wielkość liter w tytule, zakres stron i typ wpisu mogą wymagać dostosowania.

Google Scholar może dostarczyć zapasowy rekord: znajdź dokładny artykuł, wybierz element Cite oznaczony cudzysłowem, a następnie wybierz BibTeX. Scholar jest przydatny w przypadku artykułów bez DOI, ale jego metadane są agregowane z wielu źródeł i nie należy traktować ich jako autorytatywnych. Nie przesyłaj nieopublikowanych, poufnych ani chronionych prawem autorskim plików PDF do konwertera internetowego, chyba że jego zasady prywatności zezwalają na takie użycie.

Przetwarzanie skanów i partii plików

Przed zaimportowaniem skanu zawierającego wyłącznie obrazy uruchom OCR. Adobe Acrobat udostępnia opcję All tools → Scan & OCR → Recognize text; lokalną opcją open source jest:

ocrmypdf scan.pdf searchable.pdf

Po wykonaniu OCR zaimportuj plik searchable.pdf do Zotero, cb2Bib lub JabRef. OCR może błędnie odczytać inicjały, łączniki, nazwiska z znakami diakrytycznymi i DOI, dlatego wyszukaj odzyskany DOI lub tytuł w metadanych wydawcy, zamiast ufać wyłącznie tekstowi OCR.

W przypadku dużych partii naukowych plików PDF GROBID wyodrębnia uporządkowane metadane nagłówków i bibliografii do TEI XML. Po uruchomieniu jego usługi lokalnej przetwórz plik za pomocą:

curl -F input=@paper.pdf http://localhost:8070/api/processHeaderDocument > paper.tei.xml

GROBID nie tworzy bezpośrednio gotowej bazy danych BibTeX z tego punktu końcowego; wymagany jest skrypt TEI-to-BibTeX lub potok metadanych. Używaj go, gdy ekstrakcja partii plików uzasadnia nakład pracy związany z konfiguracją i walidacją.

Weryfikacja wyeksportowanego wpisu

Plik PDF nie zawiera z natury wpisu BibTeX. Narzędzia identyfikacyjne łączą osadzone metadane, wyodrębniony tekst, wyszukiwanie DOI i dopasowywanie tytułu, dlatego pozornie wiarygodny rekord może opisywać niewłaściwą pracę lub zawierać nieprawidłowe pola.

Sprawdź typ wpisu; pisownię i kolejność autorów; tytuł; tytuł czasopisma, książki lub konferencji; rok; tom; numer; strony lub numer artykułu; DOI oraz URL. Jako podstawę weryfikacji wykorzystaj stronę docelową DOI lub stronę wydawcy. Chroń akronimy i wymaganą wielkość liter w polach tytułu BibTeX za pomocą nawiasów klamrowych, gdy wybrany styl bibliografii może zmienić je na małe litery, na przykład title = {Methods for {PDF} and {LaTeX} Archives}.

BibTeX przechowuje metadane cytowania, a nie sam plik PDF. Przechowuj plik PDF jako załącznik Zotero lub w folderze projektu, a w rekordzie .bib zachowaj DOI lub stabilny URL wydawcy.