2017-2021年 ISSCC/IEDM/VLSI三大会论文库信息提取与统计的工作流

工作流

首先你得有所有paper的pdf文件库吧，然后这些文件都是这么命名的：

故而需要把文件全都重命名，要包含标题/年份/会议/作者这些信息，然后按照机构分类，在机构下再重编号，比如"IMEC001_IEDM2017_Ge stained metal stack FinFET xxxxxxxxx_Mark harley yyyyyyyy.pdf" 。
这里我们以比利时的IMEC为例进行处理整理，看看我们怎么来做这件事吧。

文献整理（mendeley）

首先我们在WOS上获得了论文数据表格，非常详尽哈。

基于这个表格，我们要筛选出IMEC的paper的所有行，就用查找/筛选这两项就可以了，然后添加一列内容为year-conf-title的格式，便于排序形成检索的依据。

用mendeley desktop软件进行初步的重命名，便于形成检索，这个很好用,
批量拖拽未合法命名的论文pdf文件，进入mendeley，可自动抓取pdf的论文标题/作者/出版会议/年份/摘要/DOI等信息，并对pdf文件自动重命名为”年份-会议-标题-作者.pdf”。

1. 批量拖拽，生成论文列表
   
   

2. 抓取年份/作者/标题等信息，自动重命名
   
   

3. 打开文件所在路径，导出命名好的pdf

批量序列化重命名（advanced_renamer）

advanced_renamer这个软件也是神奇嗷，但是你编订的命名列表里不要含有“/ \ : ! & ”这些字符，会报错，在excel里把他们替换掉吧。

1. 在excel中使用筛选工具选出IMEC机构一作的全部文献后，按“年份-标题”进行排序，粘贴进advanced_renamer。
   

2. 导入pdf文件的顺序要与表格的内容顺序一致，且不重不漏。

3. 批量重命名

研究机构提取（matlab/python）

接下来需要提取一些第二第三第四单位等信息，提进表格里。写了一个小脚本

1. 找出所有]和[之间的字符串，即为机构名

在我的下一篇博客里 Matlab脚本分享：字符串列表的正则检索、分割提取

表格信息录入

这些就是需要一篇一篇读文章来获取的内容了。

简单的数据统计分析

卡尔斯鲁厄大学跟IMEC是深度绑定的两个单位，这里就看看这两个的paper的数量关系。其中2018年的KULV的paper我这应该是不太全的，抱歉。