使用奇怪的 headers 将 pdf 表导入到 r

Question

我正在尝试将此 pdf https://www.mountwashington.org/uploads/forms/2018/01.pdf 导入到 r 并将其格式化为数据框。有没有一种方法可以有效地处理奇怪的 headers 并只获取主要的 headers（而不是更大的 headers，比如位置和站点）来获取数据？

通过转换器网站将 pdf 转换为 excel 文件，然后手动编辑 excel 中的 columns/rows，然后导入到 r但这是非常低效的，并且想以某种方式在 r 中进行。我尝试使用 tabulizer 包，但它给我的数据是字符形式的，而且完全没有组织。

这是我想要的样子：

> a
   DAY MAX MIN AVG NORM DEPART HEAT COOL TOTAL..EQUIV. SNOW...ICE AVG.WIND.SPEED..MPH. FASTEST.SPEED      DIR
1    1 -14 -25 -19    6    -25   84    0          0.00        0.0                 55.3            79 310 (NW)
2    2  -7 -23 -15    6    -21   80    0          0.01        0.7                 53.8            84  280 (W)
3    3   7  -7   0    6     -6   65    0             T          T                 39.2            64  280 (W)

这就是我使用 tabulizer 得到的结果：

 [,1]                                                                                                                                       
 [1,] "WS FORM F-6"                                                                                                                              
 [2,] ""                                                                                                                                         
 [3,] "PRELIMINARY LOCAL CLIMATOLOGICAL DATA"                                                                                                    
 [4,] ""                                                                                                                                         
 [5,] "LATITUDE LONGITUDE"                                                                                                                       
 [6,] "44 DEGREES16 MINUTESNORTH 71 DEGREES  18 MINUTES  WEST"                                                                                   
 [7,] "TEMPERATURE (Â°F) PRECIPITATION (IN.)"                                                                                                    
 [8,] "DEGREE DAYS TOTAL SNOW & SNOW/ICE ON AVG"                                                                                                 
 [9,] "DAY MAX MIN AVG NORM DEPART HEAT COOL (EQUIV) ICE GROUND-7AM SPEED"                                                                       
[10,] "1 -14 -25 -19 6 -25 84 0 0.00 0.0 23 55.3"

然后是更多行，其中包含更多似乎随机从页面中提取的无组织数据。

任何帮助都会很棒，谢谢！

Answer 1

您可以使用tabulizer提取table。使用locate_areas找到要提取的区域的坐标。

看看这个link

library(tabulizer)

# I used locate_areas("https://www.mountwashington.org/uploads/forms/2018/01.pdf") 
# to find the area of the table to extract

mw_table <- extract_tables(
  "https://www.mountwashington.org/uploads/forms/2018/01.pdf",
  output = "data.frame",
  area =  list(c(103.49321,  15.79171, 402.56716, 586.74627)),
  guess = FALSE
  )

mw_table[[1]]

然后你只需要更改数据框的名称。

使用奇怪的 headers 将 pdf 表导入到 r

Importing pdf tables to r with weird headers

r

tabulizer