似乎有很多关于从 PDF 中提取标题（使用其元数据）的问题。但是，大多数标题似乎不存在于元数据中。我在使用 http://pybrary.net/pyPdf/pythondoc-pyPdf.pdf.html 时发现了这一点。
有没有办法真正从 pdf 中检索文本标题？我尝试导出到文本文件然后搜索，但没有一致的格式。有什么方法可以将 pdf 格式导出到文档中，然后检查字体大小 >= 14 吗？
【问题讨论】：
标签： pdf title extraction
这是一个很好的问题。创建 PDF 的应用程序似乎对可用的元数据字段没有任何用处。
以 pdflatex 为例：即使设置了 \title{...} 和 \author{...}在序言中，此信息未反映在元数据中。快速搜索后，解决方案似乎是在序言中引入一个块，该块仅由 pdflatex [1] 读取：
\pdfinfo
{
/Title{...}
/Author{...}
...
}
...然后放置在 PDF 的相关元数据字段中。奇怪的是，这是必要的。
我不会为 Word 或 Writer 等文字处理器发言。假设此类元数据字段必须由用户手动设置。
如果您的 PDF 不是由您生成，也许启发式方法是解决问题的唯一方法。 [2] 看起来它的功能与您想要的相似，但我想这取决于 PDF 的发布程度——这个工具似乎是面向科学论文的。
我希望这至少能有所帮助。
[1]http://wlug.org.nz/PdfLatexNotes [2]http://www.molspaces.com/d_cb2bib-metadata.php
【讨论】：