Question

我目前正在尝试创建一个将许多pdf文件读入数据框的函数。我的最终目标是让它从pdf文件中读取特定信息，并将它们转换为data.frame，每行包含保险计划名称，以及包含我需要的信息的列，如个人计划价格，家庭计划价格等。一直关注answer given by someone for a similar question in the past。但是，我一直收到错误。以下是我正在练习的两个不同文件的链接（1和2）。

以下是我的代码和错误：

PDFtoDF = function(file) {

  dat = readPDF(control=list(text="-layout"))(elem=list(uri=file), 
                                              language="en", id="id1") 
  dat = c(as.character(dat))

  dat = gsub("^ ?([0-9]{1,3}) ?", "\\1|", dat)

  dat = gsub("(, HVOL )","\\1 ", dat)
  dat = gsub(" {2,100}", "|", dat)

  excludeRows = lapply(gregexpr("\\|", dat), function(x) length(x)) != 6
  write(dat[excludeRows], "rowsToCheck.txt", append=TRUE)

  dat = dat[!excludeRows]

  dat = read.table(text=dat, sep="", quote="", stringsAsFactors=FALSE)
  names(dat) = c("Plan", "Individual", "Family")
  return(dat)
}

files <- list.files(pattern = "pdf$")

df = do.call("rbind", lapply(files, PDFtoDF))


    Error in read.table(text = dat, sep = "", quote = "", stringsAsFactors = 
    FALSE) : no lines available in input

在此方法之前，我一直在使用pdftools包和正则表达式。这种方法有效，除了很难澄清文档某些部分的模式，例如位于顶部的计划名称。我希望我现在尝试的方法会有所帮助，因为它会将文本提取为单独的字符串。

Answer 1

这是最好的答案：

require(readtext)
df <- readtext("*.pdf")

是的，这很简单，使用 readtext 包！

将pdf文件转换为data.frames

1 个答案: