将pdf文件中的数据导入R

Question

给定 page 4 of this PDF file，我想知道是否有办法（使用任何 R 库）将名为 SCALE SCORE 和 FREQ. 的 2 列作为 [=12] 导入 R =] 或其他 R 友好格式？

Answer 1

一次执行此操作的最快方法是 select 数据列（但不是列标题）。在 pdf 的第 4 页上，从左上角的 1038 到右下角的 100.00。将 selection 复制到剪贴板：

dta <- read.table(pipe("pbpaste"))  # For Mac Os
# For Windows use dta <- read.table("clipboard")
dta <- dta[, 1:2]  # Discard the last three columns
colnames(dta) <- c("ScaleScore", "Freq")
head(dta)
#   ScaleScore Freq
# 1       1038  142
# 2       1171   15
# 3       1250   78
# 4       1299  269
# 5       1335  840
# 6       1364 1690

如果您想重复执行此操作，则必须安装软件包 pdftools。

Answer 2

我写了一个包可以帮助从 pdf 中提取文本。它是用 C++ 从头开始编写的，速度相当快（通常比 pdftools 快一点）。目前您仍然需要将文本 w运行gle 转换为 table - 就像在 pdftools 中一样。在您的情况下，它会像这样工作：

library(dplyr)
library(PDFR)

df <- pdfpage("C:/users/Administrator/Documents/sales.pdf", 4)

df <- df[df$left > 440,] %>%
  group_by(top) %>%
  arrange(left, by_group = TRUE) %>%
  summarize(text = paste(text, collapse = ",")) %>%
  arrange(-top) %>%
  filter(seq(nrow(.)) > 4) %>%
  `[[`(2) %>%
  read.csv(text = ., header = FALSE, 
           col.names = c("freq", "cum_freq", "perc", "cum_perc"))

这给你：

#>     freq cum_freq perc cum_perc
#> 1    142      142 0.04     0.04
#> 2     15      157 0.00     0.04
#> 3     78      235 0.02     0.06
#> 4    269      504 0.07     0.13
#> 5    840     1344 0.21     0.34
#> 6   1690     3034 0.42     0.76
#> 7   3254     6288 0.81     1.57
#> 8   5413    11701 1.35     2.92
#> 9   7659    19360 1.91     4.83
#> 10  9696    29056 2.42     7.24
#> 11 11529    40585 2.87    10.12
#> 12 13145    53730 3.28    13.39
#> 13 13830    67560 3.45    16.84
#> 14 14844    82404 3.70    20.54
#> 15 15153    97557 3.78    24.32
#> 16 15120   112677 3.77    28.09
#> 17 15347   128024 3.83    31.92
#> 18 15525   143549 3.87    35.79
#> 19 15710   159259 3.92    39.70
#> 20 15596   174855 3.89    43.59
#> 21 15529   190384 3.87    47.46
#> 22 15451   205835 3.85    51.31
#> 23 15259   221094 3.80    55.12
#> 24 15028   236122 3.75    58.86
#> 25 15147   251269 3.78    62.64
#> 26 14683   265952 3.66    66.30
#> 27 14469   280421 3.61    69.91
#> 28 14229   294650 3.55    73.45
#> 29 13523   308173 3.37    76.82
#> 30 13246   321419 3.30    80.13
#> 31 12987   334406 3.24    83.36
#> 32 12264   346670 3.06    86.42
#> 33 11964   358634 2.98    89.40
#> 34 10841   369475 2.70    92.11
#> 35  9958   379433 2.48    94.59
#> 36  8529   387962 2.13    96.72
#> 37  6729   394691 1.68    98.39
#> 38  4437   399128 1.11    99.50
#> 39  2010   401138 0.50   100.00

虽然这可能看起来有点复杂，但对于像您这样的 pdf 非常有用，其中 table 在每一页上都是相同的。如果你运行上面的代码在 lapply 循环中，它可以一次获得多个页面，这比剪切和粘贴要快得多。

要安装你需要开发工具：

install.packages("devtools")
devtools::install_github("AllanCameron/PDFR")

编辑

如果有安装问题，这里是pdftools中的等价物：

install.packages(pdftools)

df <- pdftools::pdf_data("https://tea.texas.gov/sites/default/files/Scale%20Score%20Distribution%20Graph%201_Grade%203%20to%208%20English-r2_tagged.pdf")[[4]] 
df <- df[df$x > 440,] %>%
  group_by(y) %>%
  arrange(x, by_group = TRUE) %>%
  summarize(text = paste(text, collapse = ",")) %>%
  arrange(y) %>%
  `[[`(2) %>%
  `[`(3:41) %>%
  read.csv(text = ., header = FALSE, 
           col.names = c("freq", "cum_freq", "perc", "cum_perc"))

将pdf文件中的数据导入R

importing data from a pdf file into R

csv

import

r

dataframe

data-wrangling