根据R中的页面拆分PDF

Question

我有一个包含多页的 pdf 文件，但我只对其中的一小部分感兴趣。例如，我的原始 PDF 有 30 页，我只想要第 10 到 16 页。

我尝试使用 tabulizer 包中的函数 split_pdf，它只将 pdf 页面拆分到页面（产生 200 个文件，每页一个），然后是 merge_pdfs（合并 pdf文件）。它工作正常，但需要很长时间（我有大约 2000 个 pdf 文件我必须拆分）。

这是我使用的代码：

split = split_pdf('file_path')

start = 10
end = 16

merge_pdfs(split[start:end], 'saving_path')

我找不到更好的选择来执行此操作。任何帮助将不胜感激。

Answer 1

不幸的是，我发现有点不清楚您的 PDF 中包含什么类型的数据以及您试图从中提取什么。所以我概述了两种方法。

如果您在 pdf 中有表格，您应该能够使用以下方法从所述页面中提取数据：

tab <- tabulizer::extract_tables(file = "path/file.pdf", pages = 10:16)
如果你只想要文本，你应该使用 pdftools 这样会快很多：

text <- pdftools::pdf_text("path/file.pdf")[10:16]

Answer 2

安装 pdftk（如果您还没有）。假设它在你的路径上并且 myfile.pdf 在当前目录中运行这个来自 R:

system("pdftk myfile.pdf cat 10-16 output myfile_10to16.pdf")

Answer 3

作为的附件，还可以使用包 staplr，它是程序 pdftk:

的 R 包装器

library('staplr')

staplr::select_pages(
    selpages = 10:16,
    input_filepath = 'file_path',
    output_filepath = 'saving_path')

根据我的经验，普通 pdftk 工作得更快。但是，如果您需要做一些复杂的事情并且您对 R 语法比 bash 语法更熟悉，那么使用 staplr 包将节省编码时间。

Split PDF according to pages in R