我有一系列包含各种数据表的PDF文件。我只是在每个文件中寻找一个特定的表,我的目标是找到每个文件的页面。
我计划的方法是以某种方式迭代每个页面,阅读文本并确定它是否是我正在寻找的页面,如果是,则返回该页码,否则继续下一页。我一直在研究PDFTools,但看起来没有办法在页面中循环。
有没有人知道任何可以帮助我实现这一目标的R软件包,还是有更好的方法可以用PDFTools做到这一点?
任何帮助将不胜感激!
答案 0 :(得分:0)
我认为在PDFtools中有一些方法可以提取逐页创建“字符串”的文本数据。因此代码可能如下所示:
library(pdftools)
txt <- pdf_text("something.pdf")
现在:
# first page text
txt[1]
txt[2] etc.
为了从每个string
中提取单词,您必须使用strsplit()
,然后创建每个页面的单词向量,并逐页查找并逐字逐句查找。一旦与您的word
匹配,就将最外面的循环索引号收集为页数。
请告诉我这是否有助于您的目的。