acl-org/acl-anthology

Extract abstracts from PDF

Aperta

#395 aperta il 6 giu 2019

Vedi su GitHub
 (28 commenti) (2 reazioni) (1 assegnatario)Python (386 fork)github user discovery
enhancementhelp wanted

Metriche repository

Star
 (733 stelle)
Metriche merge PR
 (Merge medio 7g 20h) (52 PR mergiate in 30 g)

Descrizione

The anthology currently only shows the abstracts if there is an authoritative version in the XML. It would be nice if we could scrape the PDF using some off-the-shelf software to extract the abstracts and dump them into a different file (to not tamper with handcrafted information). Having an abstract on the web pages makes quickly searching through literature much faster.

Guida contributor

Direzione di ricerca
Esplora le librerie di parsing PDF esistenti (ad esempio PyPDF2, pdfplumber) e integrali per estrarre gli abstract, conservandoli separatamente dai dati XML esistenti.
Tech stack
python
Dominio
backend
Tipo issue
Funzionalità
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
2
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-3 ore
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
Python
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
65