Převod souboru PDF do BIBTEX

Výzkumníci dostávají články jako PDF, ale k jejich citování v LaTeX, Overleaf nebo sdílené databázi referencí potřebují záznamy .bib. Užitečným výsledkem jsou bibliografická metadata—autoři, název, údaje o publikaci a DOI—nikoli převod rozvržení stránek PDF.

Soubory PDF a BibTeX

PDF (Portable Document Format) je dokumentový formát s pevným rozvržením vytvořený společností Adobe a standardizovaný jako ISO 32000. Nakladatelé, univerzity, firmy, skenery, kancelářské aplikace a webové prohlížeče používají PDF, protože zachovává vizuální vzhled dokumentu, fonty, obrázky a stránkování napříč systémy.

Odborné PDF může obsahovat metadata dodaná nakladatelem, volitelný text, DOI a vložené citační informace. Naskenované PDF může obsahovat pouze obrázky stránek, takže software musí nejprve použít OCR a poté z rozpoznaného textu odvodit metadata.

BibTeX je formát bibliografické databáze v prostém textu používaný v pracovních postupech BibTeX a BibLaTeX v LaTeX. Ukládá záznamy jako @article, @book a @inproceedings s poli včetně author, title, journal, year, volume, pages, doi a url.

Konvenční přípona je .bib; ačkoli některý software přijímá .bibtex, pro nejširší kompatibilitu používejte .bib. Soubory BibTeX lze upravovat v textovém editoru, verzovat v Git, slučovat s dalšími knihovnami a citovat pomocí stabilních klíčů, jako je smith2024.

Extrakce záznamu pomocí Zotero

Zotero je nejpraktičtější desktopová volba pro jednotlivá akademická PDF. Identifikuje články podle DOI, vložených metadat, údajů nakladatele nebo shody názvu a výsledný záznam knihovny poté exportuje jako BibTeX.

1. Přetáhněte paper.pdf do knihovny Zotero.
2. Klikněte pravým tlačítkem na PDF a vyberte Retrieve Metadata for PDF. Zotero vytvoří nadřazenou bibliografickou položku, pokud nalezne shodu.
3. Porovnejte vytvořenou položku s první stránkou PDF a stránkou nakladatele nebo DOI.
4. Klikněte pravým tlačítkem na nadřazenou položku a vyberte Export Item…, poté zvolte BibTeX a uložte výstup například jako references.bib. Chcete-li exportovat více záznamů, umístěte je do kolekce a použijte File → Export Library… nebo kolekci exportujte.

Pro automatické citační klíče a lépe konfigurovatelný výstup BibTeX nebo BibLaTeX nainstalujte rozšíření Zotero Better BibTeX. Před použitím klíče v rukopisu jej zkontrolujte, zejména pokud jsou jména autorů nebo roky publikace neúplné.

cb2Bib je užitečnou desktopovou alternativou pro extrakci citačních údajů z textu PDF nebo zkopírovaného textu. Nejúčinnější je, když PDF obsahuje volitelný text a jasný název, řádek s autory, DOI nebo odkaz na časopis; před uložením do databáze .bib navržený záznam zkontrolujte.

JabRef dokáže vyhledávat metadata podle DOI, ISBN, názvu nebo importovaného PDF a poté uložit knihovnu přímo jako databázi BibTeX. Jeho vyhledávání metadat je vhodnější než ruční přepisování citace, ale výsledný záznam je stále nutné ověřit.

Použití DOI a online služeb metadat

Pokud PDF uvádí DOI, použijte tento DOI namísto nahrávání dokumentu do neznámého konvertoru. Vyhledejte DOI nebo přesný název na search.crossref.org, ověřte autory, publikaci a rok a poté zkopírujte nebo stáhněte citaci BibTeX. Metadata Crossref poskytují nakladatelé a registrační agentury, ale záznamy mohou být stále neúplné nebo po publikaci opravené.

Mnoho registrů DOI podporuje content negotiation pro BibTeX. Tento příkaz vyžádá záznam BibTeX přímo z DOI resolveru:

curl -L -H "Accept: application/x-bibtex" https://doi.org/10.1234/example > reference.bib

Ukázkové DOI nahraďte DOI článku. Vygenerovaný soubor zkontrolujte, protože citační klíč, velikost písmen v názvu, rozsah stran a typ záznamu mohou vyžadovat úpravu.

Google Scholar může poskytnout záložní záznam: vyhledejte přesný článek, vyberte ovládací prvek s uvozovkami Cite a zvolte BibTeX. Scholar je užitečný u článků bez DOI, ale jeho metadata jsou agregována z více zdrojů a neměla by být považována za autoritativní. Nenahrávejte nepublikovaná, důvěrná nebo autorským právem chráněná PDF do webového konvertoru, pokud jeho podmínky ochrany soukromí takové použití nepovolují.

Zpracování skenů a dávek

Před importem obrazového skenu spusťte OCR. Adobe Acrobat poskytuje All tools → Scan & OCR → Recognize text; lokální open-source možností je:

ocrmypdf scan.pdf searchable.pdf

Po provedení OCR importujte searchable.pdf do Zotero, cb2Bib nebo JabRef. OCR může chybně přečíst iniciály, spojovníky, jména s diakritikou a DOI, proto vyhledaný DOI nebo název porovnejte s metadaty nakladatele a nespoléhejte pouze na text z OCR.

U velkých dávek odborných PDF extrahuje GROBID strukturovaná metadata záhlaví a referencí do TEI XML. Po spuštění jeho lokální služby zpracujte soubor příkazem:

curl -F input=@paper.pdf http://localhost:8070/api/processHeaderDocument > paper.tei.xml

GROBID z tohoto endpointu nevytváří přímo hotovou databázi BibTeX; je zapotřebí skript TEI-to-BibTeX nebo metadata pipeline. Použijte jej, když rozsah dávkové extrakce ospravedlňuje náklady na nastavení a validaci.

Ověření exportovaného záznamu

PDF samo o sobě nativně neobsahuje záznam BibTeX. Nástroje pro identifikaci kombinují vložená metadata, extrahovaný text, vyhledávání DOI a shodu názvu, takže záznam vypadající věrohodně může popisovat nesprávné dílo nebo obsahovat chybná pole.

Zkontrolujte typ záznamu; pravopis a pořadí autorů; název; název časopisu, knihy nebo konference; rok; ročník; číslo; strany nebo číslo článku; DOI a URL. Jako primární kontrolu použijte stránku DOI nebo stránku nakladatele. Zkratky a požadovanou velikost písmen v polích názvu BibTeX chraňte složenými závorkami, pokud by je zvolený styl bibliografie mohl převést na malá písmena, například title = {Methods for {PDF} and {LaTeX} Archives}.

BibTeX ukládá citační metadata, nikoli samotné PDF. PDF uchovávejte jako přílohu v Zotero nebo ve složce projektu a v záznamu .bib ponechte DOI nebo stabilní URL nakladatele.