grobid

它会给你什么

• 一份结构化的论文全文数据，题目、段落、图表和参考文献都各就各位。

你需要准备

• 要解析的 PDF 文件。
• 要不要联网校正元数据，可选四个档位控制校正程度。
• 要不要在结果里保留原文的原始写法。

由你把关

• 选的解析模式是否匹配文档类型，论文、专利各有专用模式，由你判断。
• 页面坐标是否准确受 PDF 页面设置影响，需要抽查校对，由你核对。
• 冷门出版商或学科的解析质量要留意，模型训练数据偏向生命科学，由你复核。

它会给你什么

• 结构化数据，每处结构附带位置坐标和页面尺寸。
• 一份标注数据，供网页阅读器画高亮框用。
• 一份加了跳转链接注释的增强版 PDF。

你需要准备

• PDF 文件，要先做过一次全文或参考文献解析。
• 要标坐标的结构类型清单，比如引用、图表、标题、段落等。
• 标注时要不要顺便联网补全文献的编号链接。

由你把关

• 坐标准不准，多栏和复杂版面尤其要抽查，由你核对。
• 标注框在网页里显示的位置是否对得齐，由你核对。
• 增强 PDF 里加的注释是否正确，由你核对。

它会给你什么

• 一份结构化的论文信息表，或者可直接导入文献管理软件的引用格式文件。

你需要准备

• 论文的 PDF 文件。
• 元数据校正档位：不校正、全量校正补全、只补文献编号，或只用已有编号校正。
• 要不要保留单位地址的原始写法。

由你把关

• 作者名字的名和姓拆得对不对，中文日文等非西方姓名尤其要校对，由你核对。
• 多个机构合作时的单位拆分是否正确，由你复核。
• 联网补全的信息是否准确，需要抽查，由你核对。

它会给你什么

• 一份结构化的引文清单，PDF 输入另附引用位置的标注数据。

你需要准备

• 纯文本模式的专利文本。
• 标准格式的专利数据文件。
• 专利的 PDF 文件，需要有文字层（扫描件要先做文字识别）。

由你把关

• 专利号的各段编码拆得对不对，由你校对。
• 引文被归为专利还是论文，分得对不对由你复核。
• 少见格式的论文引文解析质量要留意，由你检查。

它会给你什么

• 解析好的结构化片段，比如拆开的年月日、名和姓、机构层级。

你需要准备

• 原始写法的日期字符串。
• 一串作者姓名。
• 单位地址的文字块。

由你把关

• 中文日文等姓名的名和姓拆得对不对，由你校对。
• 多层级机构的地址拆分是否正确，由你复核。
• 不规范写法的日期转换是否正确，由你确认。

它会给你什么

• 校正补全后的文献记录，附上文献编号等身份字段。

你需要准备

• 已经提取好的文献信息，包括原始文字和结构化字段。
• 校正档位设置，从只补编号到全量补全可选。
• 服务的配置文件，写明用哪个外部数据库、访问频率限制等设置。

由你把关

• 补全的信息是否对得上号，近似匹配尤其要抽查，由你核对。
• 文献编号匹配一般可靠，按书名信息模糊查到的结果要复核，由你核对。
• 两个数据库的匹配结果有出入时怎么取舍，由你评估。