GROBID库文献解析-编程知识

1. 起因

由于某些原因需要在大量的文献中查找相关内容，手动实在是太慢了，所以选择了GROBID库进行文献批量解析

2. GROBID介绍

GROBID是一个机器学习库，用于将PDF等原始文档提取、解析和re-structuring为结构化的XML/TEI编码文档，特别关注技术和科学出版物。
能够提取文献中的标题、文本、图表及参考文献等信息
GROBID目前仅支持Linux及macOS；windows系统需要通过docker调用

3. Docker安装

已经安装docker请跳过这一步骤

3.1 Docker介绍[来自GPT]:

Docker 是一个开源的应用容器引擎，它允许开发者将应用程序与其环境一起打包（称作容器化），从而在任何支持Docker的环境中部署和运行。这项技术提供了一种简化的方法，可以将复杂的应用程序快速、一致地部署在不同的环境中——不管是在本地开发机器上，还是在外部的测试环境或云平台上。

3.1.1 Docker的主要组件：

Docker 引擎：负责创建、运行和管理容器的核心服务。
Docker 容器：运行应用程序的轻量级、独立的环境。容器在从图片（Image）实例化时创建，其中包含了运行应用所需的代码、运行库、环境变量和配置文件。
Docker 镜像：是一个只读的模板，用于创建容器。镜像包含了运行特定应用所需的所有内容——代码、运行时、库等。
Docker Hub：是一个Docker容器镜像的公共仓库，类似于GitHub，可以用来存放、共享和管理镜像。
Docker 仓库：存放Docker镜像的地方，可以是公共的也可以是私有的。
Dockerfile：是一个文本文件，包含了一系列的指令，用于自动构建一个新的Docker镜像。
Docker Compose：是一个工具，允许您使用YAML文件定义多个容器的应用服务，并且通过一个命令来启动和停止这些服务。

3.1.2 Docker的工作原理

Docker 使用容器来隔离和运行应用程序。容器是一种轻量级的虚拟化，它运行在同一个操作系统内核上，但保持应用程序的隔离。容器比传统的虚拟机（VM）更加高效，因为它们共享宿主机的内核，而不需要为每个虚拟机运行一个完整的操作系统。

3.1.3 Docker的优势

快速，一致地交付您的应用程序：Docker可以快速构建、测试并部署代码，因为容器化的应用可以在不同的环境中保持一致。
响应性强的部署和扩展：容器可以几乎即时启动，这使得扩展和自动化部署变得简单快捷。
在同一个硬件上运行更多的工作负载：由于容器共享宿主机的系统核心，它们使用更少的资源，这意味着你可以在相同的硬件上运行更多的服务。

3.1.4 Docker的应用场景

提供一致的开发环境：无论开发团队成员使用何种操作系统，Docker容器保证应用能够在一致的环境中运行。
微服务架构：每个微服务可以被容器化，独立部署和扩展。
快速部署：容器显著减少了从开发生命周期到生产部署的时间。
应用程序隔离：保证在每个容器中运行的应用程序是相互隔离的。
资源优化：容器的轻量级特性意味着更有效的资源使用。

总的来说，Docker是当今极为重要的DevOps工具之一，它极大地促进了应用程序的快速开发、测试和部署流程。

3.2 Windows版本

笔者的系统为win11家庭版，接下来将以此为基础进行介绍

3.3打开Hyper-V

将以下代码复制到txt文本中,文件名为Hyper.txt
将后缀改为Hyper.bat，点击bat文件重启电脑后就设置好了

pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

打开任务管理器–性能，确保虚拟化已开启
打开控制面板-程序和功能-启用或关闭Windows功能
确保下面两个功能也是正常打开的

3.4 安装WSL2

WSL2相关介绍（来自GPT）：WSL2，即Windows Subsystem for Linux version 2，是微软为Windows 10和Windows 11提供的一个功能，允许用户直接在Windows上运行Linux环境，包括大多数命令行工具、实用程序和应用程序。它是WSL的第二版本，提供了更完整的Linux兼容性和更高的性能。

管理员权限打开cmd，WSL version只要为2就是正确的

3.5 Docker下载与安装

https://www.docker.com/products/docker-desktop/
访问上述链接，下载Windows版本
下载完成后，双击打开等待程序安装完成并重启电脑
打开后只要不报错就ok
报错的话自行查找原因
我这边遇到过两类错误：docker desktop wsl distro terminated abruptly以及unexpected wsl error，都是通过卸载关闭功能重装解决的，可以参考https://zhuanlan.zhihu.com/p/669999834

3.6 GROBID安装

GROBID库目前存在两个版本： full lightweight，我安装的第二个
Full: 可运行深度学习和 CRF 模型的完整镜像（见最新版本号）（10GB）：该镜像包括所有必要的 python 和 TensorFlow 库、GPU 支持和所有 DL 模型资源。它可以提供更准确的结果，特别是在参考文献提取/解析和引文上下文识别方面。根据 GPU（推荐）的可用性与否，某些深度学习模型可能会带来更慢的运行时间和更高的内存使用率。该图像比纯 CRF 图像大得多。完整图像包含 Python 和 TensorFlow/Pytorch 库（超过 3GB）以及预加载的嵌入（约 5GB），但我们建议使用它。
Lightweight: 仅包含 CRF 模型的轻量级图像（300MB）：该图像在运行时间和内存使用方面具有最佳性能，并限制了图像的大小，但它没有使用一些在准确性方面表现最佳的模型。图像信息可在此处找到。如果可能，请使用上述完整图像。

docker pull lfoppiano/grobid:0.8.0 #下载

docker run --rm --init --ulimit core=0 -p 8070:8070 lfoppiano/grobid:0.8.0 #运行

输入上述代码到下面这样出现model path就完成了，此时可以访问进入网站Grobid Web Application 解析成功

4 调用API

import os
import re
import requests
import glob
import time
from  bs4 import BeautifulSoup
from tqdm import *files=glob.glob(r"...\*.pdf")url = "http://localhost:8070/api/processFulltextDocument"for f in tqdm(files):try:params = dict(input=open(f, 'rb'))response = requests.post(url, files=params, timeout=300)reslut=response.content.decode("utf-8")s=BeautifulSoup(reslut,'lxml')save=r"...\XML\{}.xml".format(f.split("\\")[-1][:-4])with open(save, 'w', encoding='utf-8') as file:# 写入XML声明头file.write('<?xml version="1.0" encoding="UTF-8"?>\n')# 写入剩余的XML数据file.write(str(s))time.sleep(1)except Exception as e:print(f)pass

参考

https://blog.csdn.net/yt266666/article/details/127453067?spm=1001.2014.3001.5502
https://grobid.readthedocs.io/en/latest/Grobid-docker/
https://zhuanlan.zhihu.com/p/669999834