如何对PDF文献做可视化分析？
看了大量文献后，你的硬盘上想必存下不少PDF文件。能否充分利用它们，挖掘出你独特的领域知识地图呢？本文为你提供一种简便易行的办法。
疑问
在网上写文章最大的好处，是经常可以收到读者的反馈。不少读者会提出一些好问题，时常给我以启发。
前些日子，我写了《如何快速梳理领域文献》一文，为大家讲解了如何使用VosViewer这一文献可视化分析工具，快速梳理领域文献。
有读者来信，提出一个疑问：
是否有软件支持导入PDF文件，直接做文献可视化分析呢？
我看到这个问题，开始一愣，继而会心一笑。
愣的原因是，我之前没有想过会有这样的需求。因为做文献可视化分析的时机，往往是我们刚刚接触某一个领域，不确定哪些文献应该重点阅读。
这时候，信息的来源是文献数据库（Web of Science, Scopus等）的检索结果。这些导出的检索结果里面包含了足够的可供分析的元数据信息（作者、机构、时间、国别、期刊等）。
然而PDF文件可就不一样了。虽然它包含了文献的全文，但是却并不更适合提炼元数据信息，做文献可视化分析。尤其是比起元数据导出格式（例如RIS等），它的体积又大得多。
因此，很难想象一个文献可视化工具会选用PDF作为数据源。
于是，我打算如实回答，在我接触过的若干种主流文献可视化工具里，没有哪一款支持这样的功能。
但是，我旋即想起了哈佛大学营销学教授莱维特（Theodore Levitt）的那句经典名言：
人们其实不想买一个1/4英寸的钻头。他们只想要一个1/4英寸的洞。
如果透过表象，洞察用户的实际需求，我就立刻能理解这位读者的痛点在哪里了。
痛点
对科研工作者来说，已阅读文献（大多是PDF格式）的管理，确实是个非常实际的难题。
我们经常会从各种文献数据库里下载阅读文献，也因此会在硬盘里积攒下大量的PDF文件。这些文献往往是在相对较长的一段时间内积累起来的，许多都经过了研究者的扫读(skimming)甚至是精读，确认和研究主题密切相关，才被一直保留下来。
当然，如果你阅读后发现文献不相关，都懒得整理……算我没说。(幸好做可视化分析的时候，这部分文献可以相对容易地被识别出来。)
跟文献数据库里检索结果全集比起来，这些PDF数量虽多，一般也只是一个子集，并不够全面和完备。但是我们对其更熟悉，而且这些文献也更能准确刻画我们对某个领域的掌握程度。
有的学科发展很快，研究热点文献喷涌而出。例如双中子星合并被人类首次观测当夜，就有若干篇相关文章发了出来。研究者硬盘里PDF文件积累成百上千篇，毫不稀奇。
一旦文献数量超越了邓巴数，你再想要“如数家珍”，难度就会大幅上升。大部分人甚至都会忘记，自己曾经下载、存储并浏览过某个PDF文件。
如果能够利用文献可视化工具，对这些文献做梳理，会有助于我们理清自己掌握文献的脉络，做到心中有数。
更进一步，如果我们把手头PDF文件的可视化结果，与全局检索结果的分析图形进行对比，还可以明显看出自己对领域扫描是否全面。这将有助于我们找准大方向，避免在文献丛林中迷失。
这样看来，读者的问题就透露出非常有意义的需求。
这种需求，未必需要通过一个全功能的，可以直接从PDF做出分析的文献可视化工具一站式完成。
我们可以把它拆解为两个环节：
- 从PDF文件提炼文献元数据信息；
- 将元数据信息输入到文献可视化工具做分析。
第二个环节，我在《如何快速梳理领域文献》一文中，已经做了详细的介绍。需要补充的是，后来我的学生还做了一个全中文的视频教程，从头到尾展示了一次文献采集和分析过程。欢迎访问这个链接来观看。
我今天向你展示，如何从PDF文件提炼文献元数据信息。
当然，你完全可以打开PDF文件，把其中各种元数据信息手工提炼出来，然后照葫芦画瓢，存储成Web of Science等文献数据库的导出格式，输入到VosViewer中。
但是，这显然效率很低，而且非常容易出错误。
工欲善其事，必先利其器。我们会采用一款非常优秀的文献管理工具，完成这一过程。
工具
这款工具，叫做Zotero。
安仁心智的董事长阳志平先生，曾经撰写了系列文章，详细介绍了Zotero的特色、功用和操作方法。建议你读完本文后，认真通读该系列文章。
本文只涉及到Zotero的几个非常简单实用的功能。因此如果你没有听说过Zotero，对它不熟悉，也不要紧。一步步按照下文的步骤操作就可以了。
请到这个网址下载最新版本的Zotero。
我使用的是macOS版本。下载后的格式为dmg。双击打开该文件后，拖拽Zotero应用图标到Application目录的快捷方式里，即可完成安装。
从Application目录下，找到Zotero应用，打开。
你就可以看到Zotero的主界面了。我很想给你展示一个空白的Zotero界面，可惜我已经在其中存储了许多文献内容了。
下文中，我新建了一个空白类别目录，为你演示。
工具准备好了，下面我们来逐步展示操作流程。
操作
Zotero导入PDF文件，是非常方便的，只需要拖拽即可。下面这个GIF动图为你演示了使用方法。
这时，你点击某个PDF文件，右侧的状态栏会有文件描述。但是你可以看到，目前描述内容很少。只有文件名、页码和修改日期等。
不过我们可以很方便地利用Zotero的“重新抓取PDF元数据”功能，获得完整的文献描述信息。
例如下面这个动图，演示了如何右键菜单选择“重新抓取PDF元数据”，将PDF文件变成元数据完备的文献记录。
此时，右侧的状态栏里，文献信息可就清晰多了。
可以看到，标题、作者、期刊……甚至是页码都采集完整了。
下面我们需要把文献集合的信息导出。为了和后续的文献可视化工具配合，请注意一定要选择RIS格式。
我们打开导出后的RIS文件，预览内容：
RIS文件里包含了许多做文献分析需要用到的元数据。但是眼尖的你一定会发现，这里缺少参考文献列表信息。因此，你无法做用它做文献网络分析。但是它依然可以帮助我们挖掘很多有用的信息。
我们在VosViewer下新建一个项目。
从选项中，可以看到第二项(Create a map based on bibliographic data)或者第三项(Create a map based on text data)功能的数据读入方式，都支持RIS格式。
我们用第二项试试看。默认选项下，它可以抽取合著者(co-authorship)信息。
因为样例中文献数量较少，所以我们降低了默认阈值，以获得更为丰富的结果。
分析结果的密度图如下：
可以看到，你收集的文献中有哪些作者相对高产，以及他们之间的联系。
我们再试试第三项。分析主题信息。
由于过程与第二项类似，我们就不再赘述了。分析结果如下图所示。
VosViewer正确识别出了我们查找的文献主题是大数据和竞争情报的关联，而且揭示了许多文献采用的方法是Web信息抽取。
必须说明，此处我们只是为了展示操作方法，采用了非常简单的文献集。参数设置也没有经过合理的调整。从数量这么小的文献集合里，能获得的知识和洞见是非常有限的。如果你积攒的PDF文件数量足够多，那效果就会大不一样了。
小结
读过本文后，希望你已了解以下内容：
- 如何用Zotero导入和管理PDF文献；
- 如何用Zotero抓取PDF文献的元数据；
- 如何将Zotero中的文献集合信息输出给VosViewer等可视化分析工具；
- 如何挖掘和准确定义用户的需求；
- 如何结合不同的工具来综合解决问题，尝试满足用户需求。
与Zotero类似的文献管理工具还有很多。Mendeley, Papers, ReadCube等工具都很优秀，也具备PDF元信息获取功能。我个人偏好Zotero，因为它小巧、强大，还免费。
讨论
你平时阅读的PDF文件多吗？你是如何有效管理它们的？你使用过哪些优秀管理工具？它们的特色是什么？欢迎留言，把你的经验和心得分享给大家，我们一起交流讨论。
如果你对我的文章感兴趣，欢迎点赞，并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。
如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。
延伸阅读
如何用《玉树芝兰》入门数据科学？
数据科学相关文章合集（玉树芝兰）