Extracción de información de documentos PDF para su uso en la indización automática de e-books

IF 0.5 4区管理学 Q3 INFORMATION SCIENCE & LIBRARY SCIENCE Transinformacao Pub Date : 2022-01-01 DOI:10.1590/2318-0889202234e210069

Isidoro Gil-Leiva, Mariângela Spotti Lopes Fujita, Franciele Marques Redigolo, J. Saran

{"title":"Extracción de información de documentos PDF para su uso en la indización automática de e-books","authors":"Isidoro Gil-Leiva, Mariângela Spotti Lopes Fujita, Franciele Marques Redigolo, J. Saran","doi":"10.1590/2318-0889202234e210069","DOIUrl":null,"url":null,"abstract":"Resumen El número de libros electrónicos que ingresan en las bibliotecas en formato PDF cada día es mayor, complicando y haciendo casi inviables algunos procesos realizados tradicionalmente de forma manual por los bibliotecarios, como es la asignación de materias. En este contexto, se hace necesario el diseño y desarrollo de aplicaciones que asistan a los bibliotecarios. Teniendo esto en consideración, presentamos en este trabajo la evaluación de herramientas de extracción de información de libros en PDF que podrían usarse posteriormente como materia prima para un sistema de indización automática. Para ello, realizamos una primera evaluación de cinco softwares (PDFMiner.six, PDFAct, PDF-extract, PDFExtract y Grobib) y, posteriormente, como PDFAct consiguió el mejor rendimiento, hicimos una segunda evaluación para averiguar su capacidad para identificar y extraer informaciones de los libros, tales como títulos, índices, secciones, títulos de tablas y gráficos y referencias bibliográficas, informaciones relevantes para cualquier sistema de indización. Se concluye que ninguna de las herramientas evaluadas extrae adecuadamente las diferentes partes de libros en PDF, si bien, PDFAct ha logrado un rendimiento superior al del resto.","PeriodicalId":44216,"journal":{"name":"Transinformacao","volume":"1 1","pages":""},"PeriodicalIF":0.5000,"publicationDate":"2022-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Transinformacao","FirstCategoryId":"91","ListUrlMain":"https://doi.org/10.1590/2318-0889202234e210069","RegionNum":4,"RegionCategory":"管理学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"INFORMATION SCIENCE & LIBRARY SCIENCE","Score":null,"Total":0}

引用次数: 0

Abstract

Resumen El número de libros electrónicos que ingresan en las bibliotecas en formato PDF cada día es mayor, complicando y haciendo casi inviables algunos procesos realizados tradicionalmente de forma manual por los bibliotecarios, como es la asignación de materias. En este contexto, se hace necesario el diseño y desarrollo de aplicaciones que asistan a los bibliotecarios. Teniendo esto en consideración, presentamos en este trabajo la evaluación de herramientas de extracción de información de libros en PDF que podrían usarse posteriormente como materia prima para un sistema de indización automática. Para ello, realizamos una primera evaluación de cinco softwares (PDFMiner.six, PDFAct, PDF-extract, PDFExtract y Grobib) y, posteriormente, como PDFAct consiguió el mejor rendimiento, hicimos una segunda evaluación para averiguar su capacidad para identificar y extraer informaciones de los libros, tales como títulos, índices, secciones, títulos de tablas y gráficos y referencias bibliográficas, informaciones relevantes para cualquier sistema de indización. Se concluye que ninguna de las herramientas evaluadas extrae adecuadamente las diferentes partes de libros en PDF, si bien, PDFAct ha logrado un rendimiento superior al del resto.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

从PDF文档中提取信息，用于电子书的自动索引

最后，我们分析了在西班牙和拉丁美洲进行的一项研究的结果，该研究的目的是确定在西班牙和拉丁美洲进行的一项研究的结果，该研究的目的是确定在西班牙和拉丁美洲进行的一项研究的结果。在这种情况下，有必要设计和开发帮助图书馆员的应用程序。因此，我们提出了一种新的工具，可以从PDF格式的书籍中提取信息，作为自动索引系统的原材料。为此，我们对五种软件(PDFMiner)进行了初步评估。六、PDFAct PDF-extract PDFExtract Grobib),然后他PDFAct获得最佳性能,我们第二次评估,以了解书的识别和提取信息的能力,文凭、索引、科等相关表格和图形和参考文献,报道任何索引系统。在本研究中，我们评估了两种工具，一种是PDFAct，另一种是PDFAct。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Transinformacao INFORMATION SCIENCE & LIBRARY SCIENCE-

CiteScore

0.80

自引率

16.70%

发文量

审稿时长

36 weeks

期刊介绍： Transinformação es una revista cuatrimestral especializada, abierta a las contribuciones de la comunidad científica nacional e internacional y editada por la Facultad de Biblioteconomía y el Centro de Ciencias Humanas y Sociales Aplicadas de la Pontificia Universidad Católica de Campinas. Fundada en 1989, está clasificada en la lista Qualis como A1 y publica artículos que contribuyen al estudio y el desarrollo científico de las Ciencias de la Información, la Biblioteconomía, la Archivología, la Museología y sus áreas afines.