正则表达式解析引文问题

Question

我正在尝试从PDF中提取引文。我确认我的正则表达式在这里适用于Rubular ，但是当我在真实的PDF上测试代码时，它会吐出一些奇怪的空格和错误的信息。如何修复此正则表达式，使其仅提取APA论文引文（参考文献部分中的引文，而不是文本引文）。APA 示例可能有用。我正在尝试从研究论文中获得参考。如果您需要更多详细信息，请告诉我。这个答案可以使用多个正则表达式，但是我确实需要能够提取作者，标题，日期和期刊。如果有帮助，我的尝试在下面：

require 'pdf-reader'
io = open('https://vhil.stanford.edu/pubs/2007/yee-proteus-effect.pdf')
out=open('dump.txt',"w")
reader = PDF::Reader.new(io)

reader.pages.each do |page|
    /([a-zA-Z.,&\s]+?)(\(\d+\)).([\sa-zA-Z,:\n\t]+).([\sa-zA-Z,]+).([\sa-zA-Z,]+)/.match(page.text){|m|
        puts "===CITATION===="
        puts "author: "+m[0].to_str.gsub(/\n\r\t/,'')
        puts "title: "+m[2].to_str.gsub(/\n\r\t/,'')
        puts "date: "+m[1].to_str.gsub(/\n\r\t/,'')
        puts "journal: "+m[3].to_str.gsub(/\n\r\t/,'')
  }
  #puts page.raw_content
end
puts"\n\n\n=======\n\n\n======"
puts reader.pages.last

更多的例子（在响应评论）在这里，并在这里 整个纸张这里

为了获得这些示例，我out.puts page.text在foreach循环中运行了。然后，我将大量文本复制到Rubular中，并使用我原来的正则表达式进行测试（上述）。

Answer 1

编辑

试试这个，我试图以这种方式修改它，以匹配您评论中的位置。

^(?<author>[A-Z](?:(?!$)[A-Za-z\s&.,'’])+)\((?<year>\d{4})\)\.?\s*(?<title>[^()]+?[?.!])\s*(?:(?:(?<jurnal>(?:(?!^[A-Z])[^.]+?)),\s*(?<issue>\d+)[^,.]*(?=,\s*\d+|.\s*Ret))|(?:In\s*(?<editors>[^()]+))\(Eds?\.\),\s*(?<book>[^().]+)|(?:[^():]+:[^().]+\.)|(?:Retrieved|Paper presented))

Rebular DEMO
Regex101 DEMO

最后一部分(?:Retrieved|Paper presented)可以用标题后面可能出现的其他单词扩展。

此正则表达式包含两个主要部分：

1. ^(?<author>[A-Z](?:(?!$)[A-Za-z\s&.,'’])+)\((?<year>\d{4})\)\.?\s*(?<title>[^()]+?[?.!])\s* 与作者，日期和标题匹配的共享部分：

   • (?<author>[A-Z](?:(?!$)[A-Za-z\s&.,'’])+)- author分组，从行首开始匹配，仅当单词从大写字母开始时才使用，以避免匹配文本中的某处，在引用中点头，然后是字母，空格，标点符号等。您可以始终在[A-Za-z\s&.,'’] 字符类中添加一些符号，如果还有更多字符，则可能在本部分的参考中出现。
   • \((?<year>\d{4})\)- year分组捕获数字，如果它们在方括号内，
   • (?<title>[^()]+?[?.!])\s*-使用titlegroup捕获任意一个字符中的一个，但不捕获括号，然后捕获来自character class的字符[?.!]，[^()]因为在测试过程中，我发现它阻止了regex多行无效匹配，这一点也很重要，该部分匹配受其他限制，没有它们会给出无效的结果，因此不会匹配独立的单独部分，

2. (?:(?:(?<jurnal>(?:(?!^[A-Z])[^.]+?)),\s*(?<issue>\d+)[^,.]*(?=,\s*\d+|.\s*Ret))|(?:In\s*(?<editors>[^()]+))\(Eds?\.\),\s*(?<book>[^().]+)|(?:[^():]+:[^().]+\.)|(?:Retrieved|Paper presented)) 匹配其余内容的替代方法。

   • (?<jurnal>(?:(?!^[A-Z])[^.]+?)),\s*(?<issue>\d+)[^,.]*(?=,\s*\d+|.\s*Ret))-此替代比赛司法标题无问题。jurnalgroup匹配以大写字母开头的片段，然后是not points（not .），懒惰的quantifire（匹配成功所需的匹配次数）和逗号。在[^.]被使用，因为一些jurnal标题由逗号，我不能用 [^,]这是我的第一个想法，所以我restreined这部分有一点，它总是在occour参考年末，不愿quantifire的匹配，它allaws放弃已经匹配的片段（最多）以进行后续匹配。该issue组将匹配具有某些内容的数字，直到下一个逗号或点为止，如果后面跟有带数字（页码）或点和单词的逗号，
   • (?:In\s*(?<editors>[^()]+))\(Eds?\.\),\s*(?<book>[^().]+)-此部分匹配对已编辑书籍的引用，editor对所有内容进行匹配，但不匹配任何括号（最多由编者或编者关键词组成），其后跟随标题，并由下一个带有页码或点的括号限制
   • (?:[^():]+:[^().]+\.)-该部分仅用于将参考文献与发布者和出版地的信息相匹配，以前使用?整体替代部分的方法无效，因为它在应与另一替代物相匹配的地方也相匹配，
   • (?:Retrieved|Paper presented)) -此部分用于匹配引用在线资源或演示文稿等的参考。我可以使用其他关键字进行扩展，

旧尝试

如果只需要作者，日期，标题和期刊号，可以尝试：

^(?<author>(?:(?!$)[A-Za-z\s&.,'’])+)\((?<year>\d{4})\)\.?\s*(?<title>[^?.!]+?[.?!])\s*(?!\s*Retrieved)(?:(?:(?<jurnal>(?:(?!^[A-Z])[^,])+?),\s*(?<issue>\d+)))

DEMO球形
DEMO regex101

但是，如果您也对编辑的书籍感兴趣，请尝试：

^(?<author>(?:(?!$)[A-Za-z\s&.,'’])+)\((?<year>\d{4})\)\.?\s*(?<title>[^?.!]+?[.?!])\s*(?:(?<retrieved>[Rr]etrieved.+)|(?:(?:(?<jurnal>(?:(?!^[A-Z])[^,])+?),\s*(?<issue>\d+)))|\s*In(?<editors>[^\(]+)\(Eds\.\),(?<book>[^.()]+))?

DEMO球形
DEMO regex101

这两个正则表达式都会将相关值捕获到命名组中：作者，年份，标题等。