中文论文概要提取 项目目录结构 data PDF原文件数据集(需单独下载，不进行同步) input: 文件输入 output: 文件输出 header_format.json: 论文抽取格式 ip_pool.csv: 爬虫的代理IP池 multi_thread_pdf_downloader.py 多线程PDF下载爬虫 pdf_parser.py: pdf解析器 任务安排(2020/03/27 - 2020/04/03) 看懂 pdf_parser.py 的逻辑(目前算法写得有些暴力，请见谅) 根据以下要求，优化算法逻辑或者另寻其他解决方案： 测试代码在数据集上的效果 根据不同年份修改处理逻辑(只处理2002年及之后的数据, 因为之前的 PDF 为图片格式) 设计实现过滤表格/图片内容的算法 可选任务: reference部分的细分提取 提升代码逻辑的简洁性和通用性 目前PDF提取的局限性 无法处理表格/图片 存在部分汉字, 如'最'无法正常提取(提取后缺失) Git 使用规范 分支说明 master分支：稳定的开发分支，切忌直接往master提交代码 develop/***：每个人的开发分支。请只在自己的功能分支下工作 初次使用clone仓库 git clone git@github.com:theForerunner/AbstractExtractionOfChinesePapers.git 在master分支的基础上创建新的开发分支develop/X git checkout master git checkout -b develop/X develop/X开发完成，首先要更新本地master分支 git checkout master git pull origin master 切换到develop/X分支，进行rebase操作 git checkout develop/X git rebase master（如果这时候有冲突，只能联系写这部分代码的人，手动合并。） 将develop/X推入Github git push origin develop/X