Script para extrair entradas selecionadas de um arquivo bibtex

Question

Eu tenho um arquivo bibtex grande com muitas entradas, onde cada entrada tem a estrutura geral

@ARTICLE{AuthorYear,
item = {...},
item = {...},
item = {...},
etc
}

(em alguns casos, ARTICLE pode ser uma palavra diferente, por exemplo, BOOK )

O que eu gostaria de fazer é escrever um script simples (de preferência apenas um shell script) para extrair entradas com determinado AuthorYear e colocá-las em um novo arquivo .bib.

Eu posso imaginar que posso reconhecer a primeira sentença de uma entrada de AuthorYear e a última pelo fechamento único de } e talvez usar sed para extrair a entrada, mas eu realmente não sei como fazer isso exatamente. Alguém pode me dizer como eu conseguiria isso?

Deve ser algo como

sed -n "/AuthorYear/,/\}/p" file.bib

Mas isso é interrompido devido ao fechamento de } no primeiro item da entrada, dando assim a saída:

@ARTICLE{AuthorYear,
item = {...},

Portanto, preciso reconhecer se o } é o único caractere em uma linha e só o 'sed' para de ler quando for esse o caso.

    

Answer 1

O seguinte script Python faz a filtragem desejada.

#!/usr/bin/python
import re

# Bibliography entries to retrieve
# Multiple pattern compilation from: http://stackoverflow.com/a/11693340/147021
pattern_strings = ['Author2010', 'Author2012',]
pattern_string = '|'.join(pattern_strings)
patterns = re.compile(pattern_string)


with open('bibliography.bib', 'r') as bib_file:
    keep_printing = False
    for line in bib_file:
        if patterns.findall(line):
            # Beginning of an entry
            keep_printing = True

        if line.strip() == '}':
            if keep_printing:
                print line
                # End of an entry -- should be the one which began earlier
                keep_printing = False

        if keep_printing:
            # The intermediate lines
            print line,

Pessoalmente, prefiro mudar para uma linguagem de script quando a lógica de filtragem se torna complexa. Isso, talvez, tenha uma vantagem sobre o fator de legibilidade, pelo menos.

    

Answer 2

Eu recomendaria usar uma linguagem com uma biblioteca BibTeX testada em batalha em vez de reinventar essa roda. Por exemplo

#!/usr/bin/env perl
use strict;
use warnings;
use autodie;
use BibTeX::Parser;

open my $fh, '<', $ARGV[0];
my $parser = BibTeX::Parser->new($fh);
my @authoryear;
while (my $entry = $parser->next) {
    if ($entry->key eq "AuthorYear") {
        push @authoryear, $entry;
    }
}

# I'm not familiar with bibtex files, so this may be insufficient
open my $out, '>', "authoryear.bib";
foreach my $entry (@authoryear) {
    say $out $entry->raw_bibtex;
}

Você provavelmente terá que instalar o módulo: cpan install BibTeX::Parser

    

Answer 3

Este é um script Bash que lê cada linha e usa a correspondência regex para extrair cada entrada que tenha o padrão requerido em sua cabeça. Você pode chamá-lo de getbibs ou algo assim:

#!/usr/bin/env bash
# usage: ./getbibs pattern input.bib output.bib

while read entry; do
    if [[ $entry =~ ^@.*{$1,$ ]]; then
        printf "%s\n" "$entry" >> "$3"
        while read item; do
            [[ $item =~ ^@.*$ ]] && break
            printf "%s\n" "$item" >> "$3"
        done
    fi
done < "$2"

Para extrair todas as entradas com um ano de autor de 1989, você pode fazer:

$ chmod +x ./getbibs
$ ./getbibs 1989 file.bib author.bib

Pode haver alguns problemas que ainda não testei, mas parece funcionar bem para a tarefa.

    

Answer 4

Apenas para ser completo, a maneira como eu me descobri, não é tão legal quanto alguns dos outros, mas funciona:

entries=( AuthorYear1 AuthorYear2 )
for entry in "${entries[@]}" do
     sed -n "/"${entry}"/, /^ *\}/p" refs.bib 
done

Ele pode ser executado a partir da linha de comando ou colocado em um script bash.

    

Answer 5

Agora também temos o módulo bibparsing do Python, que permite analisar bancos de dados do BibTeX com o Python. Por exemplo, eu uso o seguinte script para calcular o número de autores em artigos colaborativos:

#!/usr/bin/python
import sys
import bibtexparser as bp
with open(sys.argv[1]) as bibtex_file:
    bd = bp.load(bibtex_file)
    for art in bd.entries_dict:
    print("*********")
    ae = bd.entries_dict[art]
    print(ae[u'title'])
    auths=ae[u'author'].split(" and ")
    print(len(auths))
    print(auths[0]+" --- "+auths[-1])