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。
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。
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!
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
i <- 2
这一行删除。否则,它只会打印第二页,重复length(txt)
次。 - tsouchlarakis