如何在R

Question

我有一个包含超过100000行和超过1900页的pdf文件中的表格，我决定使用R包tabulizer写入.csv文件。

当我尝试使用

从pdf文件中提取整个数据时

pdf <- extract_tables("pdffile.pdf", method = "csv")

我收到错误，

  <。>错误.jcall（＆＃34; rjavatools＆＃34;，＆＃34; ljava / lang / object;＆＃34;，＆＃34; invokemethod＆＃34;，cl，：java.lang.outofmemoryerror：超出gc开销限额

因此我采用了另一种方法。

我所做的是逐个提取pdf的页面，并将输出保存为 一个.csv文件。

1）获取pdf文件的页数

pdfPages <- length(get_page_dims("pdffile.pdf"))

2）创建一个for循环，为每个页面存储.csv文件。

for (i in 1:pdfPages) {
    page <- extract_tables("pdffile.pdf", pages = i, method = "data.frame")
    write.csv(page, file = paste(i,".csv", sep = ""))
}

3）然后创建另一个循环，用于逐个读取每个文件，并对其进行rbind 到下一个。

dataPdf  <- data.frame() # to rbind each .csv file
for (i in c(1:pdfPages)){
    page <- read.csv(paste(i,".csv", sep = ""))
    dataPdf <- bind_rows(dataQuilpue, page) 
}

我不得不使用bind_rows()包中的dplyr，因为并非所有的.csv文件 以相同的列数结束。

结果令人满意，虽然花了大约1.75小时才完成，所以我想也许有更好的方法来完成它。有什么想法吗？