Question

（Windows 7 / R版本3.0.1）

命令下方及产生的错误：

> library(tm)
> pdf <- readPDF(PdftotextOptions = "-layout")
> dat <- pdf(elem = list(uri = "17214.pdf"), language="de", id="id1")

Error in file(con, "r") : cannot open the connection
In addition: Warning message:
In file(con, "r") :
  cannot open file 'C:\Users\Raffael\AppData\Local\Temp
    \RtmpS8Uql1\pdfinfo167c2bc159f8': No such file or directory

如何解决此问题？

编辑我

（正如Ben所建议并描述here）

我已下载Xpdf将32位版本复制到 C:\Program Files (x86)\xpdf32 和64位版本 C:\Program Files\xpdf64

环境变量pdfinfo和pdftotext指的是相应的可执行文件32位（使用R 32位测试）或64位（使用R 64位测试）

编辑II

一个非常令人困惑的观察是，从一个新的会话（tm未加载）开始，单独的最后一个命令将产生错误：

> dat <- pdf(elem = list(uri = "17214.pdf"), language="de", id="id1")

Error in file(con, "r") : cannot open the connection
In addition: Warning message:
In file(con, "r") :
  cannot open file 'C:\Users\Raffael\AppData\Local\Temp\RtmpKi5GnL
     \pdfinfode8283c422f': No such file or directory

我根本不明白这一点，因为函数变量还没有被tm.readPDF定义。下面你会发现函数pdf指的是“自然地”和tm.readPDF返回的内容：

> pdf

function (elem, language, id) 
{
    meta <- tm:::pdfinfo(elem$uri)
    content <- system2("pdftotext", c(PdftotextOptions, shQuote(elem$uri), 
        "-"), stdout = TRUE)
    PlainTextDocument(content, meta$Author, meta$CreationDate, 
        meta$Subject, meta$Title, id, meta$Creator, language)
}
<environment: 0x0674bd8c>

> library(tm)
> pdf <- readPDF(PdftotextOptions = "-layout")
> pdf

function (elem, language, id) 
{
    meta <- tm:::pdfinfo(elem$uri)
    content <- system2("pdftotext", c(PdftotextOptions, shQuote(elem$uri), 
        "-"), stdout = TRUE)
    PlainTextDocument(content, meta$Author, meta$CreationDate, 
        meta$Subject, meta$Title, id, meta$Creator, language)
}
<environment: 0x0c3d7364>

显然没有区别 - 那么为什么要使用readPDF？

编辑III

pdf文件位于：C:\Users\Raffael\Documents

> getwd()
[1] "C:/Users/Raffael/Documents"

编辑IV

pdf()中的第一条指令是对tm:::pdfinfo()的调用 - 并且在前几行内导致错误：

> outfile <- tempfile("pdfinfo")
> on.exit(unlink(outfile))
> status <- system2("pdfinfo", shQuote(normalizePath("C:/Users/Raffael/Documents/17214.pdf")), 
+                   stdout = outfile)
> tags <- c("Title", "Subject", "Keywords", "Author", "Creator", 
+           "Producer", "CreationDate", "ModDate", "Tagged", "Form", 
+           "Pages", "Encrypted", "Page size", "File size", "Optimized", 
+           "PDF version")
> re <- sprintf("^(%s)", paste(sprintf("%-16s", sprintf("%s:", 
+                                                       tags)), collapse = "|"))
> lines <- readLines(outfile, warn = FALSE)
Error in file(con, "r") : cannot open the connection
In addition: Warning message:
In file(con, "r") :
  cannot open file 'C:\Users\Raffael\AppData\Local\Temp\RtmpquRYX6\pdfinfo8d419174450':   No such file or direc

显然tempfile()根本不创建文件。

> outfile <- tempfile("pdfinfo")
> outfile
[1] "C:\\Users\\Raffael\\AppData\\Local\\Temp\\RtmpquRYX6\\pdfinfo8d437bd65d9"

文件夹C:\Users\Raffael\AppData\Local\Temp\RtmpquRYX6存在且包含一些文件，但没有一个被命名为pdfinfo8d437bd65d9。

Answer 1

在新机器pdf之后，在我的机器上设置间隔是将图像转换为PDF的功能：

 getAnywhere(pdf)
A single object matching ‘pdf’ was found
It was found in the following places
  package:grDevices
  namespace:grDevices [etc.]

但是回到以文本形式阅读PDF文件的问题，摆弄PATH有点昙花一现（如果你在几台不同的计算机上工作会很烦人），所以我认为最简单，最安全的方法是使用pdf2text作为Tony Breyal describes here致电system。

在你的情况下，它会是（注意两组引号）：

system(paste('"C:/Program Files/xpdf64/pdftotext.exe"', 
             '"C:/Users/Raffael/Documents/17214.pdf"'), wait=FALSE)

如果您有许多PDF文件，可以使用*apply函数或循环轻松扩展。

尝试使用tm包中的readPDF读取PDF时出错

1 个答案: