如何在R中读取PDF文件

Question

有人可以帮助我了解如何阅读PDF文件，其中包含一些表格。我想提取表格中的数据并排列到CSV文件中。

非常感谢。

- 許曉雯

---

可能是重复的问题 https://dev59.com/cW865IYBdhLWcg3wW9VE - m-dz

• 在此提到的函数：http://www.inside-r.org/packages/cran/tm/docs/readPDF

- m-dz

欢迎来到Stack Overflow！请阅读tour，help center和how to ask a good question部分，了解这个网站的工作方式并帮助您改进当前和未来的问题，这可以帮助您获得更好的答案。在此之前最好的方法是通过谷歌或SO搜索，如果您有一个具体的问题，比如您已经尝试过了但它没有起作用，那么这将是一个更适合这种格式的问题。 - help-info.de

Answer 1

我知道这个问题已经有一段时间了，但我认为提供可重现的示例可能没有坏处：

library(pdftools)
pdftools::pdf_text(pdf = "http://arxiv.org/pdf/1403.2805.pdf")

离线版本：

pdf(file = "tmp.pdf")
plot(1, main = "mytext")
dev.off()
pdftools::pdf_text(pdf = "tmp.pdf")

我时不时地回到这个问题，即使当前的答案很好，但我总是希望找到可重现的代码。所以我想添加它。如果不需要可以删除。

- Tonio Liebrand

Answer 2

您可以在弗吉尼亚大学的《使用pdftools包将PDF文件读入R进行文本挖掘》中找到详细的步骤说明。以下是我提取的一些信息。

请按照上述链接中描述的安装说明进行操作。

完成后，您就可以使用readPDF创建读取PDF文件的函数。您可以随意命名该函数，例如Rpdf。

library(pdftools)
Rpdf <- readPDF(control = list(text = "-layout"))

readPDF函数有一个控制参数，我们使用它来将选项传递给我们的PDF提取引擎。这必须是一个列表形式，因此我们将选项包装在列表函数中。对于xpdf引擎，有两个控制参数：info和text。info将参数传递给pdfinfo.exe，text将参数传递给pdftotext.exe。我们只向pdftotext传递一个参数设置：“-layout”。这告诉pdftptext.exe尽可能保持文本的原始物理布局。

使用Rpdf函数，我们可以继续阅读意见的文本。我们想要做的是将PDF文件转换为文本并将其存储在语料库中，这基本上是一个文本数据库。我们可以使用以下代码完成所有操作：

opinions <- Corpus(URISource(files), readerControl = list(reader = Rpdf))

- help-info.de

---

FYI，readPDF在tm包中。 - John M