标签: pdftools

我正在一个项目中，将PDF扫描将打字机写的《战争日记》笔记转换为文本。我可以成功提取（可能是90％的原始未调整大小的文件）提取主文本，然后我首先进行裁剪。

Reprex数据：您可以从图片开始或从下面提供的文字开始尝试。

我的挑战是保持文本的“每日”结构，该结构每天有7个段落或节，并且用“ \ n”或“ \ n \ n”进行拆分并不完全正确。

我正在为项目使用pdftools / stringr / tesseract / magick的组合：

library(tesseract)
library(dplyr)
library(stringr)
library(pdftools)
library(readr)
library(magick)

使用方法：

image <- image_read("./test-data/page_1.png") #change to your path


text -> image %>%
  image_crop(geometry_area(width = 1220, height = 900,
                           y_off = 260, x_off = 355)) %>% 
  image_resize("2000x") %>%
  image_convert(type = 'Grayscale') %>%
  image_trim(fuzz = 40) %>%
  image_write(format = 'png', density = '300x300') %>%
  tesseract::ocr() 

给出一个字符串：

[1] "Weather clear all day. A smaii arms inspection hela at i400 hrs. A …

最终目标是使用 pdftools 包有效地浏览一千页 pdf 文档，以一致、安全地生成可用的数据框/标题。我尝试使用 tabulizer 包和 pdf_text 函数，但结果不一致。因此，开始研究pdf_data()我更喜欢的功能。

对于那些不熟悉 pdf_data 函数的人来说，它将 pdf 页面转换为坐标网格，0,0 坐标位于页面的左上角。因此，通过排列 x,y 坐标，然后将文档旋转为宽格式，所有信息都会像在页面上一样显示，只有 NA 表示空白

这是一个使用熟悉的 mtcars 数据集的简单示例。

library(pdftools)
library(tidyverse)
library(janitor)

pdf_file <- "https://github.com/ropensci/tabulizer/raw/master/inst/examples/data.pdf"

mtcars_pdf_df <- pdf_data(pdf_file)[[1]]

mtcars_pdf_df%>%
  arrange(x, y)%>%
  pivot_wider(id_cols = y, names_from = x, values_from = text)%>%
  unite(col = Car_type, `154`:`215`, sep = " ", remove = TRUE,  na.rm = TRUE)%>%
  arrange(y)%>%
  rename("Page Number" = `303`)%>%
  unite(col =  mpg, `253`:`254`, sep = "", remove = TRUE, na.rm = TRUE)%>%
  unite(col = cyl, …