如何在R中阅读pdf文件

Question

有人可以帮助我让我知道如何阅读包含一些表格的 pdf 文件。我想提取表中的数据，并安排到csv文件。

非常感谢

Answer 1

我意识到这个问题比较老，但我认为可重复的例子可能不会有什么坏处：

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")

我不时回到这个问题，即使当前的答案很好，我总是希望找到可重现的代码。所以我想我添加它。如果不需要，可以将其删除。

Answer 2

您可以在将PDF 文件读入 R 进行文本挖掘 中找到弗吉尼亚大学详细描述的分步说明。我在下面提取了一些信息。

请按照上面链接中描述的安装说明进行操作。

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

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

readPDF 函数有一个控制参数，我们用它来将选项传递给我们的 PDF 提取引擎。这必须采用列表的形式，因此我们将选项包装在列表函数中。xpdf 引擎有两个控制参数：info 和 text。info 将参数传递给 pdfinfo.exe，而 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 保持（尽可能好）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。我们要做的是将 PDF 文件转换为文本并存储在语料库中，语料库基本上是文本数据库。我们可以使用以下代码完成所有这些：

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