Возможно ли это!?!Чтение данных из файлов PDF в R
У меня есть группа устаревших отчетов, которые мне нужно импортировать в базу данных. Тем не менее, они все в формате pdf. Есть ли какие-либо пакеты R, которые могут читать pdf? Или я должен оставить это для инструмента командной строки?
Отчеты были сделаны в формате excel, а затем в формате pdf, поэтому они имеют регулярную структуру, но много пустых «ячеек».
Просто предупреждение для тех, кто может быть надеющихся для извлечения данных: PDF является контейнером, не формат. Если исходный документ не содержит фактического текста, в отличие от растровых изображений текста или, возможно, даже более уродливых вещей, чем я могу себе представить, ничего, кроме OCR, может вам помочь.
Кроме того, в моем печальном опыте нет гарантии, что приложения, которые создают документы PDF, ведут себя одинаково, поэтому данные в вашей таблице могут быть или не быть считаны в желаемом порядке (в результате путь, который был построен доктором). Будь осторожен.
Наверное, лучше сделать пару студентов-градиентов, которые транскрибируют данные для вас. Они дешевы :-)
Итак ... это меня закрыло даже на довольно сложном столе.
Скачать образец PDF из bmi pdf
library(tm)
pdf <- readPDF(PdftotextOptions = "-layout")
dat <- pdf(elem = list(uri='bmi_tbl.pdf'), language='en', id='id1')
dat <- gsub(' +', ',', dat)
out <- read.csv(textConnection(dat), header=FALSE)
Я сталкиваясь с проблемами, которые я не знаю, как их решить. Следующая строка 'dat <- pdf (elem = list (uri = 'C: /Users/Farrel/Downloads/bmi_tbl.pdf), язык =' en ', id =' id1 ')' вызывает следующую ошибку: Ошибка в файле (con, «r»): невозможно открыть соединение Кроме того: Предупреждающее сообщение: В файле (con, «r»): не может открыть файл 'C: \ Users \ Farrel \ AppData \ Local \ Temp \ RtmpegXWQ3 \ pdfinfo57c9716105 ': Нет такого файла или каталога'. – Farrel
, похоже, это не работает для меня. Я хочу извлечь из этого текст. дайте мне знать, как я могу это сделать. –
Это дает мне ошибку. на первой линии! – Bob
за zx8754 ... следующие работы в Win7 с pdftotext.exe в рабочем каталоге:
library(tm)
uri = 'bmi_tbl.pdf'
pdf = readPDF(control = list(text = "-layout"))(elem = list(uri = uri),
language = "en", id = "id1")
мы будем читать pdf-данные в html-документе в R markdown –
Вы также можете (сейчас) использовать новый (2015-07) Rpoppler Pacakge:
Rpoppler::PDF_text(file)
Она включает в себя 3 функции (4, на самом деле, но один только получает вас PTR к объекту PDF):
PDF_fonts PDF шрифтеPDF_info информация PDF документPDF_text PDF текст экстракция(размещение в ответ, чтобы помочь новым поисковики найти пакет).
Текущий пакет дежурные для получения текста из PDF-файлов является pdftools (преемник Rpoppler, было отмечено выше), отлично работает на Linux, Windows и OSX:
install.packages("pdftools")
library(pdftools)
download.file("http://arxiv.org/pdf/1403.2805.pdf", "1403.2805.pdf", mode = "wb")
txt <- pdf_text("1403.2805.pdf")
# first page text
cat(txt[1])
# second page text
cat(txt[2])
Мне нравится этот пакет. – Yimihua
Вы также можете найти https://github.com/ropenscilabs/tabulizer, полезный для извлечения данных из таблиц в файлах PDF – Ben
@Ben это сработало впервые для меня; отличный ответ. Кстати: французская фраза «du jour», которая переводится как «дня», а не «de jour», означающая «дня». Извините за педантичность :-) – hackR
Принимая взгляд на CRAN, там похоже, не является какой-либо библиотекой, которая это делает. Возможно, вам лучше использовать другой язык, на котором есть такие библиотеки (например, Perl и Python), захватывая нужные вам данные, а затем записывая их в файл, который может быть прочитан R. –
@JackManey Спасибо , это то, о чем я думал. Существует 'readPDF' в пакете' tm' (text mining), но он не совсем удобен для пользователя, и я думаю, что он использует утилиту командной строки 'pdftotext' под капотом в любом случае. – Justin
У вас есть мои симпатии. Может быть, когда-нибудь мы будем жить в мире, где все данные доступны как данные! –