R：使用 R 从 pdf 文件中提取嵌入的超链接

Question

我目前正在 R 中处理 pdf 文件。具体来说，我需要收集与嵌入在 pdf 文件文本中的超链接相关的信息。到目前为止，我所做的是使用pdftools包解析 pdf 文件。然而，它只呈现文本而不呈现底层超链接。您可以在下面找到一个带有两个嵌入超链接（单词“sentencia”和“aqui”）的 pdf 文件示例以及我使用的代码。

library(dplyr) txt <- pdftools::pdf_text(pdf = "http://www.corteidh.or.cr/docs/comunicados/cp_47_17.pdf") %>% paste(., collapse = "") %>% stringr::str_replace_all("[[:cntrl:]]", " ")

我也试过：

1. 下载文件后也执行上述步骤
2. pdftools::pdf_attachments() 这给了我一个空列表
3. 以及pdftools::pdf_info()也没有成功。

我可以手动完成，但语料库非常大，所以在朝那个方向前进之前，有没有人知道我如何使用这个包或其他任何东西从 pdf 文件中识别和提取嵌入的超链接？

非常感谢！

Answer 1

通常，如果您将 PDF 作为 txt 文件阅读，则可以阅读 PDF 中的 html 链接。因此，通过使用readr包读取PDF的内容，我们可以使用正则表达式识别html链接。这是一个例子：

library(readr)
library(stringr)
txt <- read_file_raw("C:/cp_47_17.pdf")
nb_Txt <- length(txt)
vector_Txt <- rep("", nb_Txt)

for(i in 1 : nb_Txt)
{
  print(i)
  vector_Txt[i] <- rawToChar(txt[i])
}

text <- paste0(vector_Txt, collapse = "")
position <- stringr::str_locate_all(text, pattern = "http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+")[[1]]
nb_Links <- nrow(position)
list_Link <- list()

for(i in 1 : nb_Links)
{
  list_Link[[i]] <- stringr::str_sub(text, start = position[i, 1], end = position[i, 2])
}
   
list_Link

[[1]]
[1] "http://www.corteidh.or.cr/)"

[[2]]
[1] "http://www.corteidh.or.cr/)"

[[3]]
[1] "http://www.corteidh.or.cr/docs/comunicados/cp_47_17.pdf)"

[[4]]
[1] "https://www.facebook.com/CorteIDH)"

[[5]]
[1] "http://ns.adobe.com/xap/1.0/<?xpacket"

[[6]]
[1] "http://www.w3.org/1999/02/22-rdf-syntax-ns"

[[7]]
[1] "http://ns.adobe.com/xap/1.0/mm/"

[[8]]
[1] "http://ns.adobe.com/xap/1.0/sType/ResourceRef"

[[9]]
[1] "http://ns.adobe.com/xap/1.0/"

[[10]]
[1] "https://www.facebook.com/CorteIDH)"

[[11]]
[1] "https://twitter.com/"

[[12]]
[1] "http://ns.adobe.com/xap/1.0/<?xpacket"

[[13]]
[1] "http://www.w3.org/1999/02/22-rdf-syntax-ns"

[[14]]
[1] "http://ns.adobe.com/xap/1.0/mm/"

[[15]]
[1] "http://ns.adobe.com/xap/1.0/sType/ResourceRef"

[[16]]
[1] "http://ns.adobe.com/xap/1.0/"

[[17]]
[1] "https://twitter.com/"

[[18]]
[1] "http://www.corteidh.or.cr/index.php/es/al-dia/servicios-de-informacion)"

[[19]]
[1] "http://ns.adobe.com/xap/1.0/<?xpacket"

[[20]]
[1] "http://www.w3.org/1999/02/22-rdf-syntax-ns"

[[21]]
[1] "http://ns.adobe.com/xap/1.0/mm/"

[[22]]
[1] "http://ns.adobe.com/xap/1.0/sType/ResourceRef"

[[23]]
[1] "http://ns.adobe.com/xap/1.0/"

[[24]]
[1] "http://www.corteidh.or.cr/index.php/es/al-dia/servicios-de-informacion)"

[[25]]
[1] "http://www.corteidh.or.cr/)"

[[26]]
[1] "http://www.corteidh.or.cr/docs/casos/articulos/seriec_342_esp.pdf)"

[[27]]
[1] "http://www.corteidh.or.cr/docs/casos/articulos/resumen_342_esp.pdf)"

[[28]]
[1] "http://www.corteidh.or.cr/)"

[[29]]
[1] "http://www.corteidh.or.cr/)"

[[30]]
[1] "http://www.corteidh.or.cr/docs/comunicados/cp_47_17.pdf)"

[[31]]
[1] "https://www.facebook.com/CorteIDH)"

[[32]]
[1] "https://www.facebook.com/CorteIDH)"

[[33]]
[1] "https://twitter.com/"

[[34]]
[1] "https://twitter.com/"

[[35]]
[1] "http://www.corteidh.or.cr/index.php/es/al-dia/servicios-de-informacion)"

[[36]]
[1] "http://www.corteidh.or.cr/index.php/es/al-dia/servicios-de-informacion)"

[[37]]
[1] "http://www.corteidh.or.cr/)"

[[38]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839AE96FEDD9F5713F152BE58FE3CCB8B1668634E717A3978ED7C8EED4BD39E060B344A56FC3685757C06C9B126DBC220384CFC87FCCB2AF548AA356D747120AD53D6114AB4C4AE8EA30155DB2849E3238BE)"

[[39]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839A55FECA11A324ED5D48BA2676C114DAF357A5D3DADEDB8B263A674D6B08B83FA84DDF5A489225637078227BBFDF54AEB5CAEADE4351C689F3F5FA0D249DBC27A3C8EED4BD39E060B308BDAE9564459553)"

[[40]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839A71761C9609B8116B48BA2676C114DAF3654F31140F07355A7094CA8C3D18172C898EF5C0557D35B48D886CC77864DAA0085057CC9BBFCA5537B9BFF952BE91A54DDF5A48922563706577EAC6926D8A8D)"

[[41]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839A63BDE5C8E85A49EB2BE58FE3CCB8B1668634E717A3978ED7C8EED4BD39E060B3F29E78396CB7ADC526FC78E04ADA9C7425A0E5B485AC3EA0FB9CCF6F937BA723403C1985631A5441B387EB116B9F273ABFA1EF54FDDAEE0831C34ACAAEF604A80088D852DA56A988FAFF7F5C8E8523C8315FA93B1F341137)"

[[42]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839A13B26E68C26F9692C0FD35395A75F2386E73C2E55D0F1737EE6C58C832C8F9BA04A65C1BB9D0C9106D5EF8BD65DE6A546C9B126DBC220384CFC87FCCB2AF548AA356D747120AD53D6114AB4C4AE8EA30155DB2849E3238BE)"

[[43]]
[1] "http://trk.masterbase.com/v2/MB/43BE8FF8FC213E8AFDF5C6C0803C9A652E6CDFC13A12FDC2E5C09FBFB97DD6E9408FA6607146839A08B590D424E8B9296EE15DE3555B78744954C38A85CE5C46D2D441CD4016DC72B9F5A077A01802BB8D886CC77864DAA0085057CC9BBFCA5537B9BFF952BE91A54DDF5A48922563706577EAC6926D8A8D)"```