提取論文標題並自動重命名pdf文件

在我們確定一個研究課題之后，我們總是會先下載一堆相關的paper，看看這個領域現在已經做到一個什么地步，也看看別人是怎么做的，后面自己寫paper的時候可以參考參考。當我們把相關的文章都下載到一個文件夾之后，有一個問題，一般我們從IEEE或是ACM相關站點下載的PDF文件的文件名不是相應文章的標題。我們希望文件名盡量能夠反映文件的主要內容，文章的標題顯然是最能概括文張內容的。
昨天上午，一個小時的時間就花在把下載下來的文件重命名上了。因為太費時間，想自己寫個簡單的小程序來完成這個工作。上網一找，嗬，這方面的內容還不少，在stack overflow上面就有好幾個帖子。這幾個帖子我都看了，總結一下就是完成這個任務的方法有很多，可以用java來做，也可以python，還有C#，perl什么的都可以做，這些方法的一個共同點是需要額外的包或者模塊來完成這個任務，java需要PDFBox，python需要PyPDF這個模塊。
最后我選擇的是用python來做。這是從簡潔性角度考慮作出的選擇，PyPDF模塊的安裝非常簡單，安裝之后編寫程序也非常簡單（就像一個小的腳本），還有python是跨平台的。選java的好處就是我可以將程序打包成EXE文件，非CS相關專業的學生可以會比較容易接受這種方式。

http://stackoverflow.com/questions/911672/extracting-titles-from-pdf-files

上面是stack overflow上面的相關頁面。

http://pybrary.net/pyPdf/

這是下載pyPdf模塊的頁面，這個模塊是作者一個人維護的，從10年4月開始就沒有更新了，所以使用的Python版本還停留在2.x。

http://blog.isnotworking.com/2006/08/extract-pdf-title-from-all-files-on.html

這個頁面給出了一個簡答的例子。這個例子我在Python 2.7下運行通過。在3.2和3.3下運行報錯，都是SyntaxError，3.x和2.x語法上還是存在比較大的差異的。

雖然可以自己手動修改PyPDF這個模塊使之工作，但是我覺得沒有必要。再說，A company named Phaseit has forked the project and continued development and maintenance with my blessing as pyPdf2 ( http://knowah.github.com/PyPDF2/). 或許這個 pyPdf2可以在3.x下工作，但我沒有試過。

自動提取標題並重命名的代碼如下：

# pyPdf available at http://pybrary.net/pyPdf/from pyPdf import PdfFileWriter, PdfFileReader
import os

for fileName in os.listdir('.'):
    actfile = file(fileName,"rb")
    try:
        if fileName.lower()[-3:] != "pdf": continue
        input1 = PdfFileReader(actfile)
        # print the title of document1.pdf
        print '##1', fileName, '##2', input1.getDocumentInfo().title()
    except:
        print '##1', fileName, '##2'
    
    try:
        trgtfilename = input1.getDocumentInfo().title + "_" + fileName
    except:
        print "\n## ERROR ## %s Title could not be extracted. PDF file may be encrypted!" % fileName
    continue
       
    del input1
    actfile.close()
    
    print 'Trying to rename from:', fileName, '\n to ', trgtfilename
    try:
        os.rename(fileName,trgtfilename)
    except:
        print fileName, ' could not be renamed!'
        print '\n## ERROR ## Maybe the filename already exists or the document is already opened!'

 

一個問題：Python3.x的尋找模塊方式和之前相比好像也有點變化，將PyPDF直接安裝在site-packages下，運行的example的時候會提示找不到pdf這個模塊，需要使用sys.path.add方法手動加上才行，現在還不知道為什么？

PS:當前的這個程序當目錄下有文件夾時會報錯！