我想到了一个可以方便地撇去通过 arXiv 论文/文章。简而言之，它应该根据文档的类型（图像、表格、公式、段落等）过滤掉文档的各个部分。显然，在 HTML 上执行比在 PDF 上执行要容易得多。据我所知，PDF 不包含有关文档结构的任何信息，基本上它是一组“在此处绘制此字形”的指令，因此恢复结构成为（不必要的）非平凡 OCR 问题。
那么，直接的解决方案就是将论文.tex源转换为 HTML。可用选项包括：
lwarp：似乎从一开始就要考虑 HTML 目标，需要大量的源修补latex2html：非常强大，但有些内容被转换成图像，这对响应性/a11y 来说不太好pandoc：抛弃由 arxiv-vanity/engrafo 开发人员编写；未找到与其他工具的比较make4ht/tex4ht：我不确定我是否理解它的内部翻译过程（.tex-> DVI -> HTML？），总体表现良好，偶尔会出现一些我不知道如何修复的瑕疵（连接到 LuaTeX 内部？），但是一些文件未能送达latexml： 有努力将整个 arXiv 处理为 HTML，然后查看数字，效果还不错，但我还没有亲自测试过；这就是arxiv-vanity用途，从用户的角度来看，转换质量与tex4ht
我很可能会使用make4ht或latexml经过额外的测试，但主意
对我来说，提取相对“高级”的对象就像抛弃任何排版一样；TeX 引擎在处理 LaTeX 内容宏后会得到什么。LuaTeX 字形节点似乎太低级了，不适合我的目的。
所以我的问题是 LuaTeX/TeX 是否在内部对类似于文档的抽象语法树的东西进行操作？