使用 R 从两列 PDF 中提取文本

Question

我有很多两栏格式的 PDF。我在 R 中使用 pdftools 包。有没有一种方法可以根据两列格式阅读每个 PDF 而无需单独裁剪每个 PDF？

每个PDF都包含可选择的文本，pdf_text函数读取文本没有问题，唯一的问题是它会读取第一列的第一行，然后继续下一列，而不是向下移动第一列。

非常感谢您的帮助。

Answer 1

我遇到了同样的问题。我所做的是为我的每个 pdf 页面获取最频繁的 space 值并将其存储到 Vector 中。然后我使用该值对其进行切片。

library(pdftools)
src <- ""
trim <- function (x) gsub("^\s+|\s+$", "", x)

QTD_COLUMNS <- 2
read_text <- function(text) {
  result <- ''
  #Get all index of " " from page.
  lstops <- gregexpr(pattern =" ",text)
  #Puts the index of the most frequents ' ' in a vector.
  stops <- as.integer(names(sort(table(unlist(lstops)),decreasing=TRUE)[1:2]))
  #Slice based in the specified number of colums (this can be improved)
  for(i in seq(1, QTD_COLUMNS, by=1))
  {
    temp_result <- sapply(text, function(x){
      start <- 1
      stop <-stops[i] 
      if(i > 1)            
        start <- stops[i-1] + 1
      if(i == QTD_COLUMNS)#last column, read until end.
        stop <- nchar(x)+1
      substr(x, start=start, stop=stop)
    }, USE.NAMES=FALSE)
    temp_result <- trim(temp_result)
    result <- append(result, temp_result)
  }
  result
}

txt <- pdf_text(src)
result <- ''
for (i in 1:length(txt)) { 
  page <- txt[i]
  t1 <- unlist(strsplit(page, "\n"))      
  maxSize <- max(nchar(t1))
  t1 <- paste0(t1,strrep(" ", maxSize-nchar(t1)))
  result = append(result,read_text(t1))
}
result

Answer 2

使用 tabulizer::extract_text(file) 函数可以更简单地完成此操作。

它适用于包含在单列中的 PDF 文本和包含在 2+ 列中的 PDF 文本。是的，就这么简单！

使用 R 从两列 PDF 中提取文本

Extract Text from Two-Column PDF with R

pdf

r

pdftools