使用R从双列PDF中提取文本

Question

我有很多采用双列格式的PDF文件。我在使用R语言中的pdftools包。有没有一种方法可以按照双列格式读取每个PDF，而无需对每个PDF进行裁剪？

每个PDF都包含可选文本，并且pdf_text函数可以轻松读取文本，唯一的问题是它会先读取第一列的第一行，然后继续到下一列，而不是向下移动第一列。

非常感谢您提前的帮助。

- tsouchlarakis

---

我不知道有一个函数可以读取两列的PDF文件。我认为你必须编写自己的程序，读取每一行，分离每一行的每一列，使用rbind()将每一行按列绑定在一起，然后使用rbind()将每一列绑定在一起，最后使用rbind()将每一页绑定在一起，以便得到一个完整的数据集，按照书写顺序进行读取。 - Ryan Morton

这很有道理，唯一的问题是R会沿着列直接读取，并在相邻单词之间只放置一个空格。无法区分该空格与普通空格。 - tsouchlarakis

请参考以下网页，了解另一种类似的方法：http://blog.agileactors.com/blog/2017/9/5/how-to-extract-and-clean-data-from-pdf-files-in-r - Rich Pauloo

Answer 1

使用 tabulizer::extract_text(file) 函数可以更轻松地完成此操作。

该函数适用于单列中包含的PDF文本以及2列或更多列中包含的PDF文本。是的，就是这么简单！

- Cathryn Beeson-Lynch

---

非常好用，这是一个很棒的 R 包，感谢您的回答！ - tsouchlarakis

总是很高兴看到有人决定以最简单的方式处理挑战，只设计必要的软件包！ - Anders Jørgensen

2021年12月：tabulizer已不再在CRAN上提供。 - G5W

https://github.com/ropensci/tabulizer - Paul

Answer 2

我曾经遇到同样的问题。我的解决方法是获取每个PDF页面最频繁的空格值，并将其存储在一个向量中。然后使用该值对页面进行切片。

library(pdftools)
src <- ""
trim <- function (x) gsub("^\\s+|\\s+$", "", x)

QTD_COLUMNS <- 2
read_text <- function(text) {
  result <- ''
  #Get all index of " " from page.
  lstops <- gregexpr(pattern =" ",text)
  #Puts the index of the most frequents ' ' in a vector.
  stops <- as.integer(names(sort(table(unlist(lstops)),decreasing=TRUE)[1:2]))
  #Slice based in the specified number of colums (this can be improved)
  for(i in seq(1, QTD_COLUMNS, by=1))
  {
    temp_result <- sapply(text, function(x){
      start <- 1
      stop <-stops[i] 
      if(i > 1)            
        start <- stops[i-1] + 1
      if(i == QTD_COLUMNS)#last column, read until end.
        stop <- nchar(x)+1
      substr(x, start=start, stop=stop)
    }, USE.NAMES=FALSE)
    temp_result <- trim(temp_result)
    result <- append(result, temp_result)
  }
  result
}

txt <- pdf_text(src)
result <- ''
for (i in 1:length(txt)) { 
  page <- txt[i]
  t1 <- unlist(strsplit(page, "\n"))      
  maxSize <- max(nchar(t1))
  t1 <- paste0(t1,strrep(" ", maxSize-nchar(t1)))
  result = append(result,read_text(t1))
}
result

- Felipe Santiago

---

感谢您的评论。我在“stops <- as.integer(names(sort(table(unlist(lstops)),decreasing=TRUE)[1:2])))”这一行中遇到了一个错误。错误报告显示“lstops”未找到，它在此之前未被定义过。 - tsouchlarakis

抱歉，昨晚我发布时已经很晚了。我已经测试并修复了它。请再试一次。 - Felipe Santiago

太好了！我在互联网上找不到类似的东西。我希望这能帮助人们向前迈进。有一个小改动，需要将for循环中的i <- 2这一行删除。否则，它只会打印第二页，重复length(txt)次。 - tsouchlarakis