acl-org/acl-anthology

Extract abstracts from PDF

开放

#395 创建于 2019年6月6日

在 GitHub 查看
 (28 条评论) (2 个反应) (1 位负责人)Python (386 个派生)github user discovery
enhancementhelp wanted

仓库指标

星标
 (733 个星标)
PR 合并指标
 (平均合并 7天 20小时) (30 天内合并 52 个 PR)

描述

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.

贡献者指南

研究方向
探索现有的 PDF 解析库（例如 PyPDF2、pdfplumber）并进行集成，以提取摘要并将其与现有的 XML 数据分开存储。
技术栈
python
领域
backend
议题类型
功能
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
2
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-3 小时
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
活跃
清晰度议题是否清楚说明期望改动、验收标准和下一步。
清晰
前置要求
Python
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
65