Как извлечь значительный текстовый контент из латексного документа

Question

Мне нужно извлечь только текст Контент из моего тезиса, написанный в LaTex для автоматической проверки антифаризма. Я знаю только о варианте «проекта», и этого недостаточно.

Я должен опустить:

• картинки,
• таблицы и другие фигуры,
• уравнения,
• Подписи и сноски.

Также было бы неплохо удалить все ссылки. Вывод должен быть простым (кодированный UTF-8) текстовый файл.

Есть ли простой способ сделать это? Мне не очень нравится копировать его вручную за страницей.

Answer 1

Вы можете попытаться использовать пакет комментариев (или одну из дюжины альтернатив), чтобы повернуть уравнение, рисунок, таблицу и т. Д., В комментирующие среды и renewCommand Сноска [1] {} для удаления сносков. pagestyle {yate} должен удалить заголовки страниц и т. Д., Поэтому запуск pdftOtext в результате должен быть закрыто от того, что вы хотите.

Answer 2

Да : Untex, простой сценарий C. Вы также можете посмотреть детектирование.

Answer 3

Вы можете использовать конвертер документа, как Пандок, или преобразовать выходной PDF в простой текст с чем -то вроде Калибр.

Answer 4

Обычно вам нужна обработка латекса в тексте, скажем, у вас есть

newcommand*{ so} {Stackoverflow index {Stackoverflow} xspace}

...

Я провожу много времени на Итак, бла -бла ....

Просто фильтрация текстового абзаца здесь не даст текст, подобный предполагаемому результату, когда он содержит какие -либо макросы.

Поэтому попытка извлечь вещи непосредственно из файла *. Поэтому, как правило, лучше работать над выводом из обработки латекса. Я бы порекомендовал преобразовать латекс в HTML, а затем из HTML в текст. Вам, вероятно, понадобится какая-то ручная очистка, но я думаю, что это должно быть относительно близко.

Answer 5

Хотя Detex упоминался, однако есть еще один проект, направленный на его улучшение. Это называется OpendeTex, посмотри!