Convertir PDF en BIBTEX

Les chercheurs reçoivent des articles au format PDF, mais ont besoin d’enregistrements .bib pour les citer dans LaTeX, Overleaf ou une base de données de références partagée. Le résultat utile est constitué de métadonnées bibliographiques — auteurs, titre, détails de publication et DOI — et non d’une conversion de la mise en page du PDF.

Fichiers PDF et BibTeX

PDF (Portable Document Format) est un format de document à mise en page fixe créé par Adobe et normalisé comme ISO 32000. Les éditeurs, les universités, les entreprises, les scanners, les applications bureautiques et les navigateurs web utilisent le PDF, car il préserve l’apparence visuelle, les polices, les images et la pagination d’un document sur différents systèmes.

Un PDF scientifique peut contenir des métadonnées fournies par l’éditeur, du texte sélectionnable, un DOI et des informations de citation intégrées. Un PDF numérisé peut ne contenir que des images de pages ; le logiciel doit donc d’abord appliquer l’OCR, puis déduire les métadonnées à partir du texte reconnu.

BibTeX est un format de base de données bibliographique en texte brut utilisé dans les flux de travail BibTeX et BibLaTeX avec LaTeX. Il stocke des entrées telles que @article, @book et @inproceedings, avec des champs comme author, title, journal, year, volume, pages, doi et url.

L’extension conventionnelle est .bib ; bien que certains logiciels acceptent .bibtex, utilisez .bib pour une compatibilité maximale. Les fichiers BibTeX peuvent être modifiés dans un éditeur de texte, suivis dans Git, fusionnés avec d’autres bibliothèques et cités à l’aide de clés stables telles que smith2024.

Extraire un enregistrement avec Zotero

Zotero est l’option de bureau la plus pratique pour les PDF universitaires individuels. Il identifie les articles à partir d’un DOI, de métadonnées intégrées, de données de l’éditeur ou d’une correspondance de titre, puis exporte l’enregistrement de bibliothèque obtenu au format BibTeX.

1. Faites glisser paper.pdf dans la bibliothèque Zotero.
2. Cliquez avec le bouton droit sur le PDF et sélectionnez Retrieve Metadata for PDF. Zotero crée un élément bibliographique parent s’il identifie une correspondance.
3. Comparez l’élément créé avec la première page du PDF ainsi qu’avec la page d’accueil de l’éditeur ou du DOI.
4. Cliquez avec le bouton droit sur l’élément parent et sélectionnez Export Item…, puis choisissez BibTeX et enregistrez la sortie sous, par exemple, references.bib. Pour exporter plusieurs enregistrements, placez-les dans une collection et utilisez File → Export Library… ou exportez la collection.

Pour obtenir des clés de citation automatiques et une sortie BibTeX ou BibLaTeX plus configurable, installez l’extension Better BibTeX de Zotero. Vérifiez la clé générée avant de l’utiliser dans un manuscrit, en particulier lorsque les noms d’auteurs ou les années de publication sont incomplets.

cb2Bib est une alternative de bureau utile pour extraire les détails de citation à partir du texte d’un PDF ou d’un texte copié. Il est particulièrement efficace lorsque le PDF contient du texte sélectionnable ainsi qu’un titre, une ligne d’auteur, un DOI ou une référence de journal clairement identifiable ; examinez l’entrée proposée avant de l’enregistrer dans une base de données .bib.

JabRef peut rechercher des métadonnées à partir d’un DOI, d’un ISBN, d’un titre ou d’un PDF importé, puis enregistrer directement la bibliothèque comme base de données BibTeX. Sa recherche de métadonnées est préférable à la transcription manuelle d’une citation, mais l’entrée obtenue doit tout de même être vérifiée.

Utiliser les services de métadonnées en ligne et les DOI

Si le PDF affiche un DOI, utilisez ce DOI au lieu de téléverser le document vers un convertisseur inconnu. Recherchez le DOI ou le titre exact sur search.crossref.org, vérifiez les auteurs, la publication et l’année, puis copiez ou téléchargez la citation BibTeX. Les métadonnées Crossref sont fournies par les éditeurs et les agences d’enregistrement, mais les enregistrements peuvent tout de même être incomplets ou corrigés après publication.

De nombreux registres de DOI prennent en charge la négociation de contenu BibTeX. Cette commande demande directement un enregistrement BibTeX au résolveur de DOI :

curl -L -H "Accept: application/x-bibtex" https://doi.org/10.1234/example > reference.bib

Remplacez le DOI d’exemple par le DOI de l’article. Examinez le fichier généré, car la clé de citation, la casse du titre, la plage de pages et le type d’entrée peuvent nécessiter des ajustements.

Google Scholar peut fournir un enregistrement de secours : recherchez l’article exact, sélectionnez le contrôle de citation représenté par des guillemets Cite, puis choisissez BibTeX. Scholar est utile pour les articles sans DOI, mais ses métadonnées sont agrégées à partir de plusieurs sources et ne doivent pas être considérées comme faisant autorité. Ne téléversez pas de PDF non publiés, confidentiels ou protégés par le droit d’auteur vers un convertisseur web, sauf si ses conditions de confidentialité autorisent cette utilisation.

Traiter les numérisations et les lots

Exécutez l’OCR avant d’importer une numérisation constituée uniquement d’images. Adobe Acrobat fournit All tools → Scan & OCR → Recognize text ; l’option open source locale est :

ocrmypdf scan.pdf searchable.pdf

Importez searchable.pdf dans Zotero, cb2Bib ou JabRef après l’OCR. L’OCR peut mal interpréter les initiales, les traits d’union, les noms accentués et les DOI ; recherchez donc le DOI ou le titre récupéré dans les métadonnées de l’éditeur plutôt que de faire confiance au seul texte issu de l’OCR.

Pour les lots importants de PDF scientifiques, GROBID extrait les métadonnées structurées des en-têtes et des références au format TEI XML. Après avoir démarré son service local, traitez un fichier avec :

curl -F input=@paper.pdf http://localhost:8070/api/processHeaderDocument > paper.tei.xml

GROBID ne crée pas directement une base de données BibTeX finalisée à partir de ce point d’accès ; un script TEI-to-BibTeX ou un pipeline de métadonnées est nécessaire. Utilisez-le lorsque l’extraction par lots justifie le temps consacré à la configuration et à la validation.

Valider l’entrée exportée

Un PDF ne contient pas intrinsèquement d’entrée BibTeX. Les outils d’identification combinent les métadonnées intégrées, le texte extrait, la recherche de DOI et la correspondance de titre ; un enregistrement qui semble plausible peut donc décrire le mauvais document ou contenir des champs incorrects.

Vérifiez le type d’entrée ; l’orthographe et l’ordre des auteurs ; le titre ; le titre du journal, du livre ou de la conférence ; l’année ; le volume ; le numéro ; les pages ou le numéro d’article ; le DOI ; et l’URL. Utilisez la page d’accueil du DOI ou la page de l’éditeur comme vérification principale. Protégez les acronymes et la casse requise dans les champs de titre BibTeX avec des accolades lorsque le style bibliographique sélectionné risque de les convertir en minuscules, par exemple title = {Methods for {PDF} and {LaTeX} Archives}.

BibTeX stocke les métadonnées de citation, et non le PDF lui-même. Conservez le PDF comme pièce jointe Zotero ou dans un dossier de projet, et gardez un DOI ou une URL stable de l’éditeur dans l’enregistrement .bib.