[求思路]求助 PDF 重命名功能实现的思路与优化

[12345tiger]

背景：非计算机专业的

• 我想做一款对 PDF 文件（学术论文的 PDF ）内容提取并按照期刊信息进行重命名及内容写入的小软件。 例如：从 ACS 网站（一个化学杂志网站）下载的论文，默认文件名“jm400459m.pdf”。我要做的是依据杂志名称，年份卷号、页码等将其重命名至“J. Med. Chem. 2013, 56, 12, 5094”

---

当前的工作流程：

• 1 ）使用现成的组件从 PDF 文件中提取标题--（使用 docear 的一个组件，org.docear.pdf.PdfDataExtractor ）
• 2 ）拿标题去 https://api.crossref.org 的接口上查找对应的 DOI 号（会返回多个结果，手动挑出正确值）
• 3 ）用 DOI 号去 http://search.crossref.org/上查找对应的 citation 信息（返回 ris 格式）
• 4 ）从返回的 ris 格式中挑出杂志名称，年份卷号、页码等信息，组件文件名字符串即“J. Med. Chem. 2013, 56, 12, 5094”
• 5 ）使用 ItextPDF 对 PDF 文件内容进行修改，将 DOI 号写入到 PDF 文件中（使用 com.itextpdf.text.pdf.PdfStamper ）
• 6 ）以此对原 PDF 文件进行重命名（使用 renameTo 操作）

当前存在的问题：

• A ）以上步骤 2、3 都需要联网进行查询，会比较耗时（外网，有时还不稳定，需要 5s 以上）
• B ）重命名操作（ 5，6 在一个动作里）耗时很长，经常需要 30s 以上。（另外比较诡异的是，当前这台电脑即使在 windouws 的文件浏览器中进行“新建文件夹操作”也需要很久，10s 以上，找不到原因！）
• C ）当前已经实现从步骤 1-6 一步一步完成，但是耗时较长，请各位大佬给个思路或者关键词，怎样去降低整个操作的时间？
• D ）终极目标：对整个文件夹下面的 PDF 文件，成批次进行重命名（即同时添加多个文件，同时查询多个文件的信息，一个文件操作完自动转到下一个）

---

主要问题是以上 A-D，烦请各位大佬给个建议或者关键词，我自己去搜索

（另：尝试过所谓的性能分析工具，奈何非科班出生，专业背景欠缺完全看不懂。。。）

[redeemer1001]

联网查询慢，那就多线程嘛。
B 问题，建议先检查一下硬盘是否健康……

其实如果不是要求即时获取结果，没必要太追求程序效率，再慢挂一晚上机睡一觉起来，不都搞定了。鲁棒性更重要。

[favourstreet]

一楼就说到了多线程……再一想楼主专业背景欠缺，哎呀……

B 问题，还有可能是文件系统被塞撑到了。

多线程还不够快就多进程，去什么什么云上开他几十个虚拟机跑

[7Sasuke7L]

我一般是下载好后，自己重命名，我感觉这个项目有难度。因为有些 pdf 没有标题，或者是有些 pdf 是扫描文件，甚至有些 pdf 的标题不是你要的标题。而且你的提取会有一定的几率不准确，到头来还得自己修好不准确的部分。比如我是数学专业，有些标题会带有数学字符，这些是无法加入命名的

[also24]

问题是否可以换一个角度来解决呢？
例如写针对 ACS 网站的爬虫，这样就可以知道文件是从哪个页面下载下来的，从而补充上相应的信息。
这样有一个额外的好处是可以保证信息的准确度。

[whatIsGhost]

为什么不直接丢进 endnote 或者 zotero 来解决这个问题呢？其中 zotero 可以直接重命名文件

[12345tiger]

@redeemer1001 多线程对小量的数据提升有效吗？查询返回的结果小于 10k，多线程不是对大文件才有效吗？

[12345tiger]

@favourstreet 在本地 pc 上使用，搬到云端应该不行。。

[12345tiger]

@7Sasuke7L 是会存在正确率的问题，大约能有 70 左右。之前也是手动自己搞，但是有时文献量有点大，而且手动重命名很难做到一直保持一直的规范
@also24 这个不太现实。。。数据库过大（千年以上，主要是 SCI 数据库），而且现在就是去 crossref.org 接口查数据库
@whatIsGhost 用过 endnote、mendeley、docear、zotero 等文献管理软件，虽然可以重命名但是需要转移到软件指定文件，丧失了原有的文件目录结构。对以上都不是很满意，就自己一直靠文件目录来管理文献，然后就想通过写入 PDF 文件的方式来存储 citation 信息。

[jugelizi]

网络消耗当然是靠多个任务同时运行（在网站未做单 IP 限速的情况下，否则就考虑代理了）
性质和爬虫是一样的

[redeemer1001]

@12345tiger 同时发起多个 Http 请求查多个文件的数据。你是不是理解成多线程下载文件了……

[noqwerty]

@12345tiger endnote 的话就不用操心这些了呀，插参考文献，管理和检索 PDF 都方便很多。感觉你这个写到最后也就是重新造了个轮子。

[diggerdu]

zotfile 可以直接按元信息重命名

[AFuture]

readcube……

[pyder]

写了个 gist： https://gist.github.com/ipudu/b72031f84a0e6cfdf6626a791f8fe380

如果文章从 ACS 这些地方下载，里面就包含了 DOI 的。

没有错误处理，对于很新的文章不适用（没有 volume, 没有 page number。。。）

放到 bash loop 里，可以改多个文章。

[12345tiger]

@jugelizi
@redeemer1001
的确是我理解错了，当前还只是单文件的功能，多文件查询会考虑多线程查询的，谢谢指教

[12345tiger]

@noqwerty 谢谢推荐，endnote 的确能做到信息检索并 rename，但是需要按照 endnote 中的 group 进行分类，所有的 PDF 也会被 endnote 重新 copy 到指定目录。不知道你有没有体验过十几层的文件夹，数十个项目，数千篇文献（ PDF ）还有数百个 PPTword 和其他文件。。。endnote 的规则太过机械。所以迫不得已只好自己造轮子啊。。
@diggerdu 感谢推荐，只浅尝辄止试过 Zotero，zotfile 其实满足了我 80 以上的需求，但跟其他软件一样会 copy 一份新的文件到其软件目录。发现网上有一个跟我一样的想法的需求（依靠 zotfile 老版本 bug 实现？）
https://forums.zotero.org/discussion/68517/zotfile-renaming-linked-files-but-not-moving-them
@AFuture 感谢推荐，but readcube 好像存在同样的问题，而且当年试用 readcube 直接把我电脑卡出屎了。。
@pyder 非常非常感谢大佬的代码，只是我的需求有点复杂，而且不仅仅是 ACS 数据库的文章，其他 RSC wily 等文章没有这么直接的嵌入信息啊，大佬是化学的？

[pyder]

rsc，wiley 这些我测试过了，都是有的，只是 just accepted 和 asap 这些不行。

[pyder]

@12345tiger 我是做计算的，😄

[chensheng1]

为什么不写个脚本迁移 endnote 重命名后的 pdf ？

[12345tiger]

@pyder 是我表述不严谨，rsc wiley 等大出版商的文献信息比较全，但还有些其他小出版商的杂志，或者上古时代的文献缺少内嵌的信息。想着一次全给解决了😄