Question

我最近在实习期间进行了拼抢（以及一般的编程），我遇到了PDF拼写。每当我尝试用R读取扫描的pdf时，我都无法让它工作。我尝试使用file.choose()功能无济于事。我是否需要更改目录，或者如何将文件中的pdf格式化为R？代码看起来像这样：

    > library(pdftools)
    > text=pdf_text("C:/Users/myname/Documents/renewalscan.pdf")
    > text
    [1] ""

另外，使用pdftables引导我：

    > library(pdftables)
    > convert_pdf("C:/Users/myname/Documents/renewalscan.pdf","my.csv")
    Error in get_content(input_file, format, api_key) : 
    Bad Request (HTTP 400).

Answer 1

您应该使用包pdftools和pdftables。

如果您尝试阅读pdf中的文本，请使用pdf_text()功能。内部的是pdf的路径（在您的计算机或网络中）。例如

tt = pdf_text("C:/Users/Smith/Documents/my_file.pdf")

如果你更具体，并且给我们可重复的例子，那将是很好的。

Answer 2

要使用PDFTables R软件包，您需要运行以下命令：

convert_pdf('test/index.pdf', output_file = NULL, format = "xlsx-single", message = TRUE, api_key = "insert_API_key")

Answer 3

如果您希望获取表格数据，则可以尝试tabulizer。这是完整的代码教程：https://www.business-science.io/code-tools/2019/09/23/tabulizer-pdf-scraping.html

基本上，您可以在教程中使用以下代码：

library(tabulizer)
extract_tables(
    file   = "2019-09-23-tabulizer/endangered_species.pdf", 
    method = "decide", 
    output = "data.frame")

如何使用R刮取下载的PDF文件

3 个答案: