从LaTeX中的\\ section标签提取所有文本

Question

如何从以下LaTeX中仅提取节文本？

\\ section {简介}

直接检测技术，例如发现原型T矮星Gl 229B \\ citep {Na95，Op99}的技术，在过去15年中一直用于搜索附近恒星\\脚注周围的棕色矮星{有关这些同伴搜索的评论，请参见\\ citet {Op99}}。 尽管涉及到大量样本，但仅直接检测到两个{\\ it善意的}棕色矮人伴星，即Gl 229B和年轻的L型棕色矮人G 196-3B \\ citep {Re98} \\ footnote {伴星对象GD 165B \\ citep {Be89}也可能是棕矮星，尽管其状态令人怀疑\\ citep {Ki99b}。} 由于大多数此类搜索都局限于主要对象周围的狭窄视野（通常为10-60 $ \\ arcsec $），相距较远的同伴\\脚注{我们采用观察性定义，即``相距较大''是指``相距较大''超过100 $ \\ arcsec $; 请参见\\ citet {Fi92}。} 实际上，G 196-3B和G1 229B两者都比其原边小于20弧度。 实地测量，例如“两微米全天候测量” \\ citep [此后为2MASS] {Sk97}，DEep近红外测量\\ citep [此后为DENIS] {Ep97}和Sloan数字天空测量\\ citep [此后为SDSS] {Yk99 }，克服这一限制。 实际上，\\ citet {Ki00}最近发现了两个L型褐矮星伴星，它们之间有很大的距离。

我们目前正在2MASS目录中搜索田T矮人\\ citep {Bg98}，这是褐矮星，其光谱特征是通过CH $ 4 $吸收带在1.6和2.2 $ \\ micron \\ citep {Ki99a}光谱确定的。 我们的发现之一2MASSW J1457150-212148（以下称GI 570D）已被确认为GI 570ABC系统的一种广泛分离且常见的正确运动伴侣。 该系统由K4V主线圈和M1.5V-M3V封闭二进制\\ citep {Du88，Mi90，Fo99}组成，间距为5.91 $ \\ pm $ 0.06 pc \\ citep {Pe97}。 在$ \\ S $ 2中，我们描述了从2MASS数据库中选择该对象，回顾随后的观察并与Gl 570ABC建立其共同正确的运动。 在$ S $ 3中，我们根据 Gl 570D的距离和亮度估算L和T $ {eff} $，并使用\\ citet {Bu97}的演化模型进行T $ _ {eff} $和质量估计。

（我主要关心的是使用\\删除标签，但是我不确定该如何处理$标签）。

我已经尝试过TexSoup：

with open("latex/" + file) as f:
    try:
        soup = TexSoup(f)
        # Parse article body if .tex is a document, defined by /begin{document}
        # Any errors in LaTeX formatting will result in file discard
        if soup.document:
            # If a \section or \subsection tag
            lastChildIsSection = False
            for child in soup.document.contents:
                # If last child was \section or \subsection and current child is text,
                if lastChildIsSection and isinstance(child, str):
                    # Get text
                    print(child)

                # Check if \section or \subsection
                if type(child).__name__ == 'TexNode' and (child.name == 'section' or child.name == 'subsection'):
                    lastChildIsSection = True
                else:
                    lastChildIsSection = False

这将查找\\ section标记，然后获取下一个子代​​，该子代是表示某些文本的str。 不幸的是，这并不是本节中的全部文本，因为文本会在出现下一个标记（在本例中为\\cite标记）后立即结束。

如何从该部分提取所有文本？ 我乐于接受任何方法，包括正则表达式。

Answer 1

我不知道怎么做，在一气呵成，所以我会先提取属于部分与正则表达式好像一切 \\\\section{[\\w\\s]*}(.*)\\\\section{ （*此如果在部分标题中可能出现多个字字符或空格，则可能需要改进）。 然后，我将用示例字符串替换该结果中的所有标签。 我不确定Python中的TeX语法和rx，但是\\\\\\w*{.*} （非贪婪模式）可能会做到这一点。 抱歉，不是一个完整的解决方案，我对TeX和Python都不熟悉，但我希望您能得到一些想法;-)

Answer 2

基于TexSoup构建的Tex2py将为您完成工作https://github.com/alvinwan/tex2py 。 说我们有以下内容：

• 我们只需要文本（而不是\\section{...} ， \\subsection{...} ）。 但是，这包括项目符号列表，粗体字，引文等。
• 请注意，有两个\\section 。 假设我们只需要第一个文本。 （我们可以提取所有这些，但是添加此约束只是为了使其更难）

说以下内容保存在名为data的变量中

\section{Chikin Tales}

\subsection{Chikin Fly}

Chickens don't fly. They do only the following:

\begin{itemize}
\item waddle
\item plop
\end{itemize}

\section{Chikin Scream}

\subsection{Plopping}

Plopping involves three steps:

我们可以使用以下方法进行处理。

>>> toc = tex2py(data)
>>> print([text for text in toc.section.subsection.descendants])
["\n\nChickens don't fly. They do only the following:\n\n", \begin{itemize}

\item waddle
\item plop\end{itemize}]

在这里， toc.section抓取了第一部分，但是我们可以使用toc.sections抓取所有部分。 不可否认，目前不保留空格。