我需要提取純文本內容來自我在LaTeX中撰寫的論文文檔中的自動反抄襲檢查。我只知道「草稿」選項,這是不夠的。如何從LaTeX文檔中提取重要的文本內容
我應該忽略:
- 圖像,
- 表和其他數據,
- 方程,
- 說明和註解。
它也很高興刪除所有的參考。輸出應該是一個普通的(UTF-8編碼)文本文件。
有沒有簡單的方法來做到這一點? 我真的不喜歡手動逐頁複製它。
我需要提取純文本內容來自我在LaTeX中撰寫的論文文檔中的自動反抄襲檢查。我只知道「草稿」選項,這是不夠的。如何從LaTeX文檔中提取重要的文本內容
我應該忽略:
它也很高興刪除所有的參考。輸出應該是一個普通的(UTF-8編碼)文本文件。
有沒有簡單的方法來做到這一點? 我真的不喜歡手動逐頁複製它。
您可以嘗試使用評論軟件包(或十幾種選擇之一)將等式,圖形,表格等轉換爲評論環境和\ renewcommand \ footnote [1] {}以刪除腳註。 \ pagestyle {空}應該刪除頁面標題等,所以對結果運行pdftotext應該接近你想要的。
通常你需要對文本做了一些乳膠加工,說你有
\ newcommand * {\ SO} {StackOverflow的\ {指數StackOverflow上} \ xspace}
...
我花了很多時間在\ SO,等等等等 ....
這裏只是過濾掉文本段落不會給一個信息L當它包含任何宏時,它會收到預期的結果。
因此試圖直接從* .tex文件中提取東西通常會留下很多結果。因此,對膠乳加工的產量進行處理通常會更好。我會建議將膠乳轉換爲HTML,然後從HTML轉換爲文本。您可能需要一些手動清理,但我認爲它應該相對接近。
儘管已經提到了克雷克斯,但還有另一個項目旨在改進它。它被稱爲opendetex,給它一看!
讓我猜測 - 您所在機構的反剽竊軟件僅適用於MSWord文檔和純文本文件? – Spacedman 2011-01-29 14:30:44
好猜Spacedman,但只有純文本。我想這是合理的,因爲自動化不是那麼容易。 – odiroot 2011-01-29 15:54:44
您可能會在[TeX SE站點](http://tex.stackexchange.com)上獲得更多答案。 – frabjous 2011-02-01 20:40:48