ccf-catalog-analysis

本项目旨在从中国计算机学会（CCF）推荐国际学术会议和期刊目录第七版（2026 年 3 月更新）的官方 PDF 文件中提取会议与期刊数据，并将其转化为结构化的数据格式导出。

本项目目前专注于以下核心功能：

• 解析 CCF 官方发布的 PDF 目录文件
• 精准提取目录中的结构化条目信息
• 导出适用于多种分析场景的基础数据文件
• 为 CSV、JSON、Excel 等轻量级数据分析场景提供支持

现阶段，本项目暂不涉及会议截稿日期（Deadline，常简称为 DDL）的追踪与收集，亦不引入复杂的数据库建模。项目的核心产出为扁平化的数据文件，您可以直接将其无缝集成到 Excel、Python 脚本、BI 工具或其它下游数据处理流水线中。

项目范围

• 数据来源：CCF 推荐国际学术会议和期刊目录第七版（2026 年 3 月更新）
• 提取目标：会议、期刊的目录条目数据
• 输出格式：CSV、JSON
• 适用场景：数据分析、目录版本对比、筛选统计及后续辅助信息补全

项目结构

ccf-catalog-2026-03/
├── data/
│   ├── raw/
│   │   └── 中国计算机学会推荐国际学术会议和期刊目录第七版（2026年3月更新）.pdf
│   └── processed/
│       ├── ccf_catalog_2026_03_full.csv
│       └── ccf_catalog_2026_03_full.json
├── scripts/
│   └── extract_catalog_pdf.py
├── .gitignore
├── requirements.txt
└── README.md

导出字段

提取脚本目前支持输出以下字段：

• category：专业领域
• type：类型（如：会议 / 期刊）
• rank：等级（如：A / B / C 类）
• page_id：由页码与序号组合生成的唯一标识符
• abbr：会议 / 期刊简称
• full_name：会议 / 期刊全称
• publisher：出版社 / 主办机构
• url：官方网址
• notes：备注信息（如：新增、升级、删除等变动记录）

以上字段与原始 PDF 目录行一一对应，非常适合进行后续的数据匹配、清洗、补全和统计分析。

快速开始

1. 创建并激活 Python 虚拟环境
2. 安装依赖包
3. 运行数据提取脚本

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python scripts/extract_catalog_pdf.py

如需额外生成用于人工复核的对照清单，请添加 --review 参数：

python scripts/extract_catalog_pdf.py --review

输出结果

脚本运行完毕后，提取的数据文件将保存在以下路径：

• data/processed/ccf_catalog_2026_03_full.csv
• data/processed/ccf_catalog_2026_03_full.json

其中：

• CSV 文件：适合直接使用 Excel 导入或打开，便于进行人工审查和常规分析。
• JSON 文件：适合程序脚本读取，方便接入后续的数据自动化流水线（Data Pipeline）。

如果使用了 --review 参数，系统还会额外生成以下复核文件：

• data/processed/ccf_catalog_2026_03_review.csv
• data/processed/ccf_catalog_2026_03_review.json

技术说明

• 本项目的提取逻辑针对 CCF 目录 PDF 的特定排版格式进行了专门适配，脚本会尽可能保留跨页的上下文信息（如“专业领域”、“类型”、“等级”等）。
• 针对 PDF 中可识别的特殊样式格式，脚本会尝试自动提取并标记为“升级”、“新增”、“删除”等备注状态。
• 注意：基于 PDF 的自动化解析本质上属于启发式处理。因此，每次 CCF 目录更新发布后，强烈建议进行人工抽样校验，以确保数据提取的准确性。

免责声明

• 本项目生成的数据完全基于对官方 PDF 文件的自动解析与规则清洗，可能会存在错行、错列、字段缺失、空格异常或链接对应错误等解析偏差。
• 本项目提供的数据结果仅供数据分析、信息整理与辅助校对参考，不应直接视为官方发布版本。
• 若需将数据用于正式引用、公开发布或进一步的系统级集成，请务必与 CCF 官方发布的原始 PDF 目录进行逐项核对。一切以官方发布的内容为准。

后续演进规划

• 支持对导出结果进行自动化的字段校验
• 支持与历史版本 CCF 目录的差异化对比分析
• 接入 DBLP / WikiCFP 等外部开放接口以丰富补充信息
• 增加 XLSX 原生格式导出支持，提供更好的 Excel 使用体验