Question

我是R的初学者，使用tm包时遇到了一些麻烦。我需要从page 55 through 300 of this中提取特定数据，并认为R可能是一种很好的方法。（如果有人有更好的想法，请告诉我！）我在安装tm包和xpdf包后进行了一些搜索，我试过阅读this并尝试了zx8754的解决方案但没有运气。我怀疑它与readPDF命令有关 - 我得到以下内容：

readPDF出错（PdftotextOptions =＆＃34; -layout＆＃34;）：未使用的参数（PdftotextOptions =＆＃34; -layout＆＃34;）

我认为这与尝试将tm包和xpdf包一起使用有关，因此我阅读了Tony Breyal的解决方案（我无法发布更多信息）比2个链接），将pdfinfo和pdftotext作为环境变量（我在Win 8上）并重新启动。我确定我遗漏了一些东西 - 现在我在R的工作目录中有pdftotext.exe。任何人都可以帮我正确配置，以便tm包正确调用xpdf文件和readPDF函数喜欢它吗？

同样，我对此非常陌生，如果我离开的话，请道歉。非常感谢所有的帮助。

提前致谢，

贾斯汀

Answer 1

为了帮助您入门，下面是一个用于阅读PDF文件的完整readPDF命令的示例。当我尝试直接从您提供的链接检索PDF文件时，readPDF引发了错误，因此我首先将PDF文件下载到我的工作目录。

library(tm)

# File name
filename = "ea0607.pdf"

# Read the PDF file
doc <- readPDF(control = list(text = "-layout"))(elem = list(uri = filename),
                                                 language = "en",
                                                 id = "id1")

上面的代码将PDF文件转换为文本，并将结果存储在doc中。 doc实际上是一个列表，可以通过以下代码看到：

str(doc)

List of 2
 $ content: chr [1:23551] "  STATE UNIVERSITY SYSTEM OF FLORIDA" "" "EXPENDITURE ANALYSIS" "      2006-2007" ...
 $ meta   :List of 7
  ..$ author       : chr "greg.jacques"
  ..$ datetimestamp: POSIXlt[1:1], format: "2007-12-10 11:33:48"
  ..$ description  : NULL
  ..$ heading      : chr " PGM=EASUSI-V01                                        STATE UNIVERSITY SYSTEM                                                 "| __truncated__
  ..$ id           : chr "ea0607.pdf"
  ..$ language     : chr "en"
  ..$ origin       : chr "Acrobat PDFMaker 8.1 for Word"
  ..- attr(*, "class")= chr "TextDocumentMeta"
 - attr(*, "class")= chr [1:2] "PlainTextDocument" "TextDocument"

PDF文件的文本存储在doc$content中，而doc$meta包含有关PDF文件的各种元数据。 doc$content的每一行都是PDF文件中的一行。以下是PDF文件的第300行到第310行：

doc$content[300:310]

 [1] ""                                                                                                                      
 [2] "and General (E&G) budget entity. The Expenditure Analysis continues to reflect special units separately and the"       
 [3] ""                                                                                                                      
 [4] "traditional program components and related activities have been further defined to support the funding formula. The"   
 [5] ""                                                                                                                      
 [6] "Expenditure Analysis format was revised in 1995-96 to include all activities in the funding formula as well as college"
 [7] ""                                                                                                                      
 [8] "detail by activity for the UF Health Science Center, the USF Health Science Center and the FSU Medical School. A"      
 [9] ""                                                                                                                      
[10] "definition of each follows:"                                                                                           
[11] ""

希望这有助于您入门。

在R（tm包）中使用readPDF

1 个答案: