以编程方式将 LaTeX 代码转换/解析为纯文本

Question

我有几个 C++/Python 代码项目，其中 LaTeX 格式的描述和标签用于生成 PDF 文档或使用 LaTeX+pstricks 制作的图表。但是，我们也有一些纯文本输出，例如文档的 HTML 版本（我已经有代码可以为此编写最少的标记）和不支持 TeX 的绘图渲染器。

对于这些，我想消除例如必要的 TeX 标记。表示物理单位。这包括不间断（细）空格、\text、\mathrm 等。将 \frac{#1}{#2} 之类的内容解析为 #1/#2 以用于纯文本输出（和对 HTML 使用 MathJax）。由于我们目前拥有的系统，我需要能够从 Python 执行此操作，即 理想情况下我正在寻找一个 Python 包，但我正在寻找一个非 Python 可执行文件可以从 Python 调用并捕获输出字符串也可以。

我知道similar question on the TeX StackExchange site，但没有任何真正的程序化解决方案：我看过 detex、plasTeX 和 pytex，它们似乎都有些死气沉沉，并没有真正做些什么我需要：将 TeX 字符串编程转换为有代表性的纯文本字符串。

我可以尝试使用例如编写一个基本的 TeX 解析器。 pyparsing，但是 a) 这可能是陷阱和帮助将不胜感激 b) 肯定有人以前尝试过，或者知道有一种方法可以连接到 TeX 本身以获得更好的结果？

更新：感谢您的所有回答......这确实似乎是一个有点尴尬的要求！我可以使用少于一般的 LaTeX 解析，但考虑在循环中使用解析器而不是加载正则表达式的原因是我希望能够很好地处理嵌套宏和多参数宏，并获得大括号匹配才能正常工作。然后我可以例如首先减少与 txt 无关的宏，如 \text 和 \mathrm，最后处理与 \frac 等 txt 相关的宏......甚至可以使用适当的括号！好吧，我可以梦想......现在正则表达式并没有做那么糟糕的工作。

Answer 1

我知道这是一篇旧文章，但由于这篇文章经常出现在 latex-python-parsing 搜索中（Extract only body text from arXiv articles formatted as .tex 很明显），所以这里留给人们：这是 Python 中的 LaTeX 解析器支持搜索和修改解析树，https://github.com/alvinwan/texsoup。摘自自述文件，这里是示例文本以及如何通过 TexSoup 与之交互。

from TexSoup import TexSoup
soup = TexSoup("""
\begin{document}

\section{Hello \textit{world}.}

\subsection{Watermelon}

(n.) A sacred fruit. Also known as:

\begin{itemize}
\item red lemon
\item life
\end{itemize}

Here is the prevalence of each synonym.

\begin{tabular}{c c}
red lemon & uncommon \\
life & common
\end{tabular}

\end{document}
""")

以下是如何导航解析树。

>>> soup.section  # grabs the first `section`
\section{Hello \textit{world}.}
>>> soup.section.name
'section'
>>> soup.section.string
'Hello \\textit{world}.'
>>> soup.section.parent.name
'document'
>>> soup.tabular
\begin{tabular}{c c}
red lemon & uncommon \\
life & common
\end{tabular}
>>> soup.tabular.args[0]
'c c'
>>> soup.item
\item red lemon
>>> list(soup.find_all('item'))
[\item red lemon, \item life]

免责声明：我写了这个库，但出于类似的原因。关于 Little Bobby Tales 的帖子（关于 def），TexSoup 不处理定义。

Answer 2

请注意：为纯 TeX 编写一个完整的解析器比您想象的要困难得多。 TeX 级别（不是 LaTeX）\def 命令实际上扩展了 TeX 的语法。例如，\def\foo #1.{{\bf #1}} 会将\foo goo. 扩展为 goo - 注意点变成了 foo 宏的分隔符！因此，如果你必须处理 any 形式的 TeX，不限制可以使用哪些包，不建议依赖简单的解析。你需要 TeX 渲染。 catdvi 是我用的，虽然不完美。

Answer 3

尝试detex（大多数*TeX 发行版附带）或改进版本：http://code.google.com/p/opendetex/

编辑：哦，我看到你已经尝试过 detex 了。不过，opendetex 可能对你有用。

Answer 4

我会尝试 pandoc [在此处输入链接描述][1]。它是用 Haskell 编写的，但它是一个非常好的 Latex 2 转换器。

[1]: http://johnmacfarlane.net/pandoc/index.html 。

Answer 5

当您考虑使用 TeX 本身进行渲染时，我怀疑性能不是问题。在这种情况下，您有两个选择：dvi2txt 从单个 dvi 文件中获取文本（准备为每个标签生成一个），或者甚至将 dvi 渲染为光栅图像，如果它适合您的话 - 这就是 hevea 或latex2html 处理公式。

Answer 6

删除这个旧线程，但发现这个名为pylatexenc 的漂亮库似乎几乎完全符合 OP 的要求：

from pylatexenc.latex2text import LatexNodes2Text


LatexNodes2Text().latex_to_text(r"""\
\section{Euler}
\emph{This} bit is \textbf{very} clever:
\begin{equation}
    \mathrm{e}^{i \pi} + 1 = 0  % wow!!
\end{equation}
where
\[
\mathrm{e} = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n
\]
""")

产生

§ EULER

This bit is very clever:

    e^i π + 1 = 0

where

    e = lim_n →∞(1 + 1/n)^n

如您所见，结果对于方程来说并不完美，但它在剥离和转换所有 tex 命令方面做得很好。

Answer 7

在 Eduardo Leoni 的另一篇文章中，我正在查看 pandoc，我看到它带有一个独立的可执行文件，但也在 this page 上，它承诺提供一种构建 C 可调用系统库的方法。也许这是你可以忍受的东西？

Answer 8

LaTeX 格式的描述和标签用于生成 PDF 文档或使用 LaTeX+pstricks 制作的图表

这是你的错误。你不应该那样做。

使用 RST 或其他一些更好的标记语言。

使用Docutils 从 RST 源创建 LaTeX 和 HTML。