Question

Stackoverflow上的问题is not new，但我很确定我遗漏了一些明显的东西。

我正在尝试将一些.pdf文件转换为.txt文件，以便挖掘他们的文本。我的方法基于excellent script。 .pdf文件中的文本不是由图像组成的，因此不需要OCR。

# Load tm package
library(tm)

# The folder containing my PDFs
dest <- "./pdfs"

# Correctly installed xpdf from http://www.foolabs.com/xpdf/download.html

file.exists(Sys.which(c("pdfinfo", "pdftotext")))
[1] TRUE TRUE

# Delete white spaces from pdfs' names
sapply(myfiles, FUN = function(i){
  file.rename(from = i, to =  paste0(dirname(i), "/", gsub(" ", "", basename(i))))
})

# make a vector of PDF file names
myfiles <- list.files(path = dest, pattern = "pdf",  full.names = TRUE)

lapply(myfiles, function(i) system(paste('"C:/Program Files/xpdf/bin64/pdftotext.exe"', 
paste0('"', i, '"')), wait = FALSE))

它应该在dest文件夹中创建任何.pdf文件的.txt副本。我检查了路径中path的white spaces与xpdf common installation issues的问题，但没有任何问题。

这是我正在研究的repository。如果它有用，我可以粘贴SessionInfo。提前谢谢。

Answer 1

最新答案：

但是我最近发现，使用当前版本的tm（0.7-4），如果您安装了pdftools（install.packages("pdftools")，则可以直接将pdf阅读到语料库中。

library(tm)

directory <- getwd() # change this to directory where pdf-files are located

# read the pdfs with readPDF, default engine used is pdftools see ?readPDF for more info
my_corpus <- VCorpus(DirSource(directory, pattern = ".pdf"), 
                               readerControl = list(reader = readPDF))

将.pdf转换为.txt

1 个答案: